Tensors类似于numpy的ndarrays，但是可以在GPU上使用来加速计算。
一、Tensors的构建
from __future__ import print_function import torch
构建未初始化的5x3矩阵:
x = torch.Tensor(5, 3) print(x)
输出结果：
-2.9226e-26 1.5549e-41 1.5885e+14
0.0000e+00 7.0065e-45 0.0000e+00
7.0065e-45 0.0000e+00 4.4842e-44
0.0000e+00 4.6243e-44 0.0000e+00
1.5810e+14 0.0000e+00 1.6196e+14
[torch.FloatTensor of size 5x3]
构造一个随机初始化的矩阵：
x = torch.rand(5, 3) print(x)
输出结果：
0.8168 0.4588 0.8139
0.7271 0.3067 0.2826
0.1570 0.2931 0.3173
0.8638 0.6364 0.6177
0.2296 0.1411 0.1117
[torch.FloatTensor of size 5x3]
查看size：
print(x.size())
输出结果：
torch.Size([5, 3])
torch.Size 实际上上一个tuple, 因而支持基于tuple的所有运算。
二、Tensor的运算操作
Tensor的运算操作语法有很多种，以下一一演示。
语法1：
y = torch.rand(5, 3) print(x + y)
输出结果：
0.9616 0.8727 1.6763 1.4781 0.7961 1.2082 0.6717 0.9821 0.6129 1.2544 1.0118 1.2720 1.0912 0.3207 0.4200 [torch.FloatTensor of size 5x3]
语法2：
print(torch.add(x, y))
输出结果：
0.9616 0.8727 1.6763
1.4781 0.7961 1.2082
0.6717 0.9821 0.6129
1.2544 1.0118 1.2720
1.0912 0.3207 0.4200
[torch.FloatTensor of size 5x3]
语法3：
result = torch.Tensor(5, 3) torch.add(x, y, out=result) print(result)
输出结果：
0.9616 0.8727 1.6763
1.4781 0.7961 1.2082
0.6717 0.9821 0.6129
1.2544 1.0118 1.2720
1.0912 0.3207 0.4200
[torch.FloatTensor of size 5x3]
语法4：
# adds x to y y.add_(x) print(y)
输出结果：
0.9616 0.8727 1.6763
1.4781 0.7961 1.2082
0.6717 0.9821 0.6129
1.2544 1.0118 1.2720
1.0912 0.3207 0.4200
[torch.FloatTensor of size 5x3]
任何一个会改变 tensor的操作都会加上下划线，例如x.copy_(y)和x.t_().
语法5：
print(x[:, 1])
输出结果：
0.4588
0.3067
0.2931
0.6364
0.1411
[torch.FloatTensor of size 5]
任何numpy标准库中的索引操作都可以用于tensor
三、Tensor与numpy的互相转化
1.从torch Tensor 到 numpy Array
构建Tensor
a = torch.ones(5) print(a)
输出结果：
1
1
1
1
1
[torch.FloatTensor of size 5]
转化为 Array
b = a.numpy() print(b)
输出结果：
[ 1. 1. 1. 1. 1.]
对Tensor 进行加法操作：
a.add_(1) print(a) print(b)
输出结果：
2 2 2 2 2 [torch.FloatTensor of size 5] [ 2. 2. 2. 2. 2.]
可以看到对Tensor进行的加法操作映射到了对应Arrayy当中，二者共用内存，属于浅拷贝。
2.从numpy Array到 torch Tensor
构建和转化的方法与前者类似：
import numpy as np a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a) print(a) print(b)
输出结果：
[ 2. 2. 2. 2. 2.] 2 2 2 2 2 [torch.DoubleTensor of size 5]
可以看到对Array进行的加法操作同样映射到了对应Tensor当中，二者共用内存，也属于浅拷贝。
四、GPU运算
tensor可以使用CUDA函数移动到GPU上:
if torch.cuda.is_available(): x = x.cuda() y = y.cuda() x + y
输出结果：
0.4457 1.3248 1.9033
0.8010 1.4461 1.0481
1.2691 1.8655 0.4001
0.6913 0.2979 0.2352
1.0372 1.0988 1.2159
[torch.cuda.FloatTensor of size 5x3 (GPU 0)]