pytorch和tensorflow的爱恨情仇之基本数据类型：https://cloud.tencent.com/developer/article/1711675
pytorch版本：1.6.0
tensorflow版本：1.15.0
基本概念：标量、一维向量、二维矩阵、多维张量。
1、pytorch中的张量
（1）通过torch.Tensor()来建立常量
这里有两种张量，一种是直接通过toch.Tensor()建立的，另一种是 Variable()建立的，它们的区别是：在新版本的torch中可以直接使用tensor而不需要使用Variable。
在旧版本中Variable和Tensor的区别在于，Variable可以进行误差的反向传播，而Tensor不可以。
Variable默认的requires_grad也是False。
我们接下来看看使用torch.Tensor()来看看例子：
对于常量，是不能够在声明指定其需要梯度计算的，如下所示：
为什么使用torch.Tensor()不可以直接指明requires_grad=True呢，但是可以通过显示指定a.requires_grad=True。我的理解是常量和变量之间是可以互相转换的，当将requires_grad通过(数据.requires_grad=True)后，该常量已经变成了变量。
（2）通过from torch.autograd import Variable来建立变量
我们传入的值就不能是一个列表了，需要一个张量，我们可以这么做：
这也可以说明常量是可以转换为变量的。但需要注意的是由常量转换而来的变量就不是原来的常量了：
（3） 通过torch.tensor()更加灵活的建立常量和变量
我们还需要注意的是使用torch,Tensor()和torch.tensor()以及Variable()区别：这里可以直接传入一个列表啦
我们也可以直接使用torch.tensor()来定义一个变量，通过指定requires_grad来标明该变量是否能够进行梯度计算并进行更新。
2、tensorflow中的张量
在tensorflow中，可以通过tf.consatnt()和tf.Variable()来建立张量，与pytorch旧版本类似的是，tf.constant()对应torch.Tensor()，tf.Variable()对应torch.Variable()，tf.constant创建的是常数，tf. Variable创建的是变量。变量属于可训练参数，在训练过程中其值会持续变化，也可以人工重新赋值，而常数的值自创建起就无法改变。
其中tf.assign()是将b的值赋值给a，因为a是常量，因此不可改变，就会报该错误，再看下面一个例子：
我们将10赋值给state，然后新建了一个变量state_。state是一个变量，这样是没有问题的，这样的话在训练的过程中我们就可以不断地更新参数了。 再看一个例子：
在这种情况下，我们仅仅只是将a指向的值改为指向b，并没有真正修改a的值。
如果我们像pytorch那样将常量转换为变量：
会发现，其实是新建了一个变量，并不是将原始的常量变为了变量、
如果有什么错误还请指出，有什么遗漏的还请补充，会进行相应的修改。
