今天是Pytorch专题的第二篇，我们继续来了解一下Pytorch中Tensor的用法。
上一篇文章当中我们简单介绍了一下如何创建一个Tensor，今天我们继续深入Tensor的其他用法。
tensor操作
size()和shape
我们可以用size()函数或者直接调用tensor当中的shape属性获取一个tensor的大小，这两者是等价的，一般情况下我们用前者多一些。
view
我们可以通过view改变一个tensor的shape，它会根据我们指定的shape返回一个新的tensor。
需要注意的是，view返回的是原数据的一个引用，也就是说我们改变原数据，view出来的结果会同样发生变化。
在上面这个例子当中，我们把原tensor x中的[0, 1]的位置修改成了2，我们print y会发现y当中的元素同样发生了变化。
numel
我们可以用numel获取tenosr当中元素的数量:
squeeze和unsqueeze
我们可以用squeeze来减少tensor的维度，而使用unsqueeze来增加一个tenor的维度。
其中unsqueeze接收一个参数，允许我们指定我们希望增加的维度。我们可以通过size明显看到数据的变化：
squeeze是减少维度，相比之下没有那么多操作，它会自动将长度是1的维度消除，如果没有一个维度长度是1，也就是说当前已经是最简的形式，那么什么也不会变化。
也支持使用另一个数组作为索引访问数据：
Tensor索引
Tensor当中支持与Numpy数组类似的索引操作，语法也非常相似。和Numpy一样，索引得到的结果是原数据的引用，也就是说我们修改其中一个，另一个也会跟着发生变动。
它支持多维索引：
也支持切片：
也可以通过bool数组获取元素：
Tensor运算
Tensor当中有大量的运算api，我们只列举其中最常用的几种，剩下的使用频率不高，大家可以用到的时候再去查阅相应的文档。
加减乘除
Tensor当中支持好几种运算的方法，我们以加法为例来了解一下。首先支持通过符号直接运算：
第二种方法是我们可以调用torch当中的函数，比如加法的函数就是add。
如果使用torch当中的函数进行计算的话，它还支持out参数，允许我们传入一个tensor，它会将计算结果存储tensor当中。
除此之外，它还允许我们进行inplace操作，也就是在原tensor值的基础上直接修改，而不是通过函数值返回。和Numpy当中传入inplace参数的设计不同，Tensor当中是通过api区分的，在原函数名下增加一个下划线即是inplace的api，比如add的inplace方法是add_。
矩阵点乘
在机器学习领域当中，矩阵点乘是一个经常用到的操作。因为为了节省时间，我们通常会把样本和特征以及各类参数向量化，通过矩阵或者是向量点乘的形式来进行加权求和、线性变换等操作。所以矩阵点乘非常重要，必定会用到。
在Numpy当中我们通过dot函数来计算两个矩阵之间的内积，而在Tensor当中做了严格的区分，只有一维的向量才可以使用dot计算点乘，多维的向量只能使用matmul计算矩阵的乘法。为了简化，还可以使用mm来代替matmul。如果你学过TensorFlow的话，你会发现matmul是TensorFlow当中点乘的api，Pytorch当中沿用了这个命名。
可以看到，mm和matmul计算得到的结果是一致的。
类型转换
在Numpy当中，我们通过astype方法转换类型，而在Tensor当中将这个方法拆分，每一种类型都有自己的转化函数。
比如我们想要将tensor转化成int类型，调用的是int()方法，想要转化成float类型调用的是float()方法。调用这些方法之后，会返回一个新的tensor。
Tensor当中定义了7种CPU类型和8种GPU类型：
我们可以调用内置函数将它们互相转化，这些转换函数有：long(), half(), int(), float(), double(), byte(), char(), short()。我相信这些函数的含义大家应该都可以理解。
转置与变形
Tensor当中的转置操作和Numpy中不太相同，在Numpy当中，我们通过.T或者是transpose方法来进行矩阵的转置。如果是高维数组进行转置，那么Numpy会将它的维度完全翻转。
而在Tensor当中区分了二维数组和高维数组，二维数组的转置使用的函数是t()，它的用法和.T一样，会将二维数组的两个轴调换。
如果是高维数组调用t函数会报错，如果我们要变换高维数组的形状，可以调用transpose和permute两个方法。先说transpose方法，它接收两个int型参数，表示需要调换的两个轴。比如一个形状是[4, 3, 2]的矩阵，我们可以通过0，1，2表示它的所有轴，传入两个，指定想要调换的两个轴：
而permute可以调换多个轴的位置，所以它接受的参数是一个int型的不定参数。我们传入我们希望得到的轴的顺序，Tensor会根据我们传入的轴的顺序对数据进行翻转：
另外，t和transpose支持inplace操作，而permute不行，这也是他们显著的区别之一。
设备之间移动
我们可以通过device这个属性看到tensor当前所在的设备：
我们可以通过cuda函数将一个在CPU的tensor转移到GPU，但是不推荐这么干。比较好的办法是使用to方法来进行设备转移。
将tensor转移到GPU上进行计算可以利用GPU的并发性能提升计算的效率，这是Pytorch当中常用的手段。to方法不仅可以改变tensor的设备，还可以同时变更tensor当中元素的类型：
总结
虽然tensor拥有许多额外的功能和计算函数，但是tensor的意义并不仅仅如此。最重要的是，它可以提升我们的计算速度。这当中的原理也很简单，因为在Python的List当中，每一个元素其实都是一个对象。即使我们存储的是一个int或者是float，Python都会将它们封装成一个对象，这会带来额外的开销。如果只是少量的数据影响不大，如果是上百万甚至是更大的量级，那么两者的差距就会非常大。另外一点就是tensor库的底层也是C和C ，运行效率显然Python更高。所以我们不能简单地把它理解成一个计算包，对于深度学习来说，它并不仅仅只是计算。
Tensor当中还有许多其他的方法，这其中许多实用频率很低加上篇幅的限制，我们不能一一穷尽，大家只需要对Tensor库整体有一个映像，一些具体的使用方法和细节可以用到的时候再进行查询。
如果喜欢本文，可以的话，请点个关注，给我一点鼓励，也方便获取更多文章。
