1、tensor自身属性判断
torch.is_tensor(obj)：若obj为Tensor类型，那么返回True。
torch.numel(obj)：返回Tensor对象中的元素总数。
obj.size()：返回Tensor对象的维度。
2、tensor与numpy array 之间相互转换
torch.from_numpy(obj)：利用一个numpy的array创建Tensor。注意，若obj原来是1列或者1行，无论obj是否为2维，所生成的Tensor都是一阶的，若需要2阶的Tensor，需要利用view()函数进行转换。
torch.numpy(obj)：利用一个tensor创建numpy narray。
3、生成一些特定的tensor
torch.eye(n)：返回一个单位方阵，和MATLAB的eye()非常像。还有其他参数。
torch.linspace(start, end, steps)，返回一个1维的Tensor。
torch.ones()，与MATLAB的ones很接近。
torch.ones_like(input)，返回一个全1的Tensor，其维度与input相一致。
torch.arange(start, end, step)，直接返回一个Tensor而不是一个迭代器。
torch.zeros()，与MATLAB的zeros很像。
torch.zeros_like()，与torch.ones_like()类似。
3、由tensor拼接、拆分、维度变换、部分数据提取
这个用于构建模型时，多个layers之间进行数据交互时，维度匹配使用。有时为了提高效率，并行计算时也会涉及到拼接和拆分；
3.1、tensor拼接
torch.cat(seq, dim)，将tuple seq中描述的Tensor进行连接，通过实例说明用法。dim指拼接的维度。
3.2、tensor拆分
torch.chunk（input, chunks, dim），与torch.cat()的作用相反。注意，返回值的数量会随chunks的值而发生变化。chunks指拆分后tuple个数，dim指拆分的tensor维度。
3.3、tensor维度变换
obj.view(dim0.dim1.dim2,…)，将tensor obj 按照之前的tensor顺序重新按照（dim0.dim1.dim2,…）定义的维度生成新的tensor。
3.4、tensor部分数据提取
torch.index_select(input, dim, index)，注意，index是一个1D的Tensor。
torch.masked_select(input, mask)，有点像MATLAB中利用bool类型矩阵进行索引的功能，要求mask是ByteTensor类型的Tensor。参考示例代码。注意，执行结果是一个1D的Tensor。
4、存在维度为1的tensor实施维度扩大与压缩
一般这个用于batch中，若batch size = 1，这个操作非常简单；
4.1 存在维度为1的tensor实施维度压缩
torch.squeeze(input)，将input中维度数值为1的维度去除。可以指定某一维度。结果是共享input的内存的。
torch.squeeze(input， dim)，将input中维度dim(若其数值为1)的维度去除。可以指定某一维度。结果是共享input的内存的。
4.1 存在维度为1的tensor实施维度扩大
torch.unsqeeze(input, dim)，在input目前的dim维度上增加一维。
5、tensor 转置
torch.t(input)，将input进行转置，不是in place。输出的结果是共享内存的。要求input为2D。
6、tensor 保存和读取
torch.save()和torch.load()
7、tensor获取最大值与最小值
min(input) -> Tensor ，返回全部元素的最小值
min(input, dim, keepdim=False, out=None) -> (Tensor, LongTensor) 返回依据dim维度求最小值，得到两个结果，第一个是最小值，第二个是对应的索引值；
min(input, other, out=None) -> Tensor 返回同维度的input,和other中，对应元素的最小值
torch.max()用法同上
8、数据并行计算，见
https://pytorch.apachecn.org/#/docs/6 pytorch.apachecn.org
9、dataSet抽象类的使用
pytorch读取训练集需要使用到2个类：
（1）torch.utils.data.Dataset
（2）torch.utils.data.DataLoader
class RandomDataset(Dataset):
def __init__(self, size, length):
self.len = length
self.data = torch.randn(length, size)
def __getitem__(self, index):
return self.data[index]
def __len__(self):
return self.len
rand_loader = DataLoader(dataset=RandomDataset(input_size, 100),
batch_size=batch_size, shuffle=True)
