上一篇文章，我们简单地介绍了什么是PyTorch和PyTorch应该怎么学，比较重要的一点就是千万不要被环境所困扰，要注意解决实际的问题，一步一步地慢慢来，坚持手敲代码才可以。

今天我们开始学习PyTorch框架里面的基石Tensor,tensor即为张量，它是机器学习和深度学习的一块基石，它们核心的作用就是“万物数字化”，用数字来表示物体。例如我们可以用“1”表示人，“2”表示车，“3”表示花，当然这种表示还是比较入门，不能体现万物的联系，举例来说，用“1”表示豪放的人，但是苏轼和李白都是比较豪放的人，仅仅用“1”表示很难表示这个豪放的人的真实表征。所以可能需要一串数字才能比较清晰地表示某一类事物的特征。

learnpytorch.io中举例是用一张图片来进行举例，正常一张图片是由3通道（红，绿，蓝）的长宽像素点所组成的，即[channel,height,width]这样的类型来表示这张图片，后面很多的课程都会以图片作为示例进行介绍，大家可以自行补一下计算机视觉方便的基础知识。接下来我们就动手实践使用PyTorch来创建张量。

首先我们先使用PyTorch来创建一个标量（scalar）初中学过标量可以简单理解为没有方向的数字表示。如下图所示，我们使用torch.tensor方法创建了一个标量未数字101，然后我们打印了引用scalar，可以看见它的输出为tensor(101)，接着我们可以查看我们创建的这个张量的属性ndim和方法item() 注意带括号为方法不带括号为属性。

接下来和大家介绍一下这2个比较重要的API，ndim就是表示这个向量嵌套了几层，大家不要紧张，其实很简单，举一个简单的例子，例如在java中，语句int i = 101 这样就是没有嵌套，ndim=0，语句List arrays = new ArrayList<>() 这样的一维数组就是嵌套一层，List<List> arrays2 = new ArrayList<>()这样就是嵌套2层，以此类推逻辑是比较清晰的。在我们这里其实tensor(101)就是一个标量，没有嵌套，所以ndim=0，第二个方法item()其实就是比较清晰了，其实就是返回里面的数值类型。

标量的ndim其实就是0，接下来就看我们初高中阶段学习的向量（vector）,向量是一个单维度的包含多个数字组成的，如下图所示，我们可以仍旧可以使用torch.tensor来创建一个向量，只不过我们这边新增了一个中括号，然后我们现在调用ndim的属性，可以看到这个时候返回的ndim=1，有一个记忆ndim值得小技巧就是可以看下输出tensor中“左中括号”的个数，可以看到这边tensor([6,6])中左中括号的个数是1，ndim的值就是1。在后续实际编程的环节使用shape的这个属性可能更多。

看完了向量，最后我们也可以看下我们在深度学习编程环节中，最多使用的矩阵。可以看到如下jupyter notebook所示，基本上和我们之前说的逻辑是一致的，不过这边就需要注意的属性shape就可以解释成“有2行元素，每一行有2个数值”的初步解释了。这块初步入门就需要掌握这么多，后面还要继续深入其中相关的细节。

接下来就是我们日常初始化项目一些比较常用的API，例如初始化一些随机的tensor，其实深度学习的本质就是先找一些shape与原始数据比较匹配的随机tensor通过不停底训练来调整这些随机的值，直到这些随机的值通过之前设定好的模式进行tensor运算后，最佳的匹配实际值，这样我们就可以获取到两样东西，一个是模型，一个是模型的参数。这样后续我们拿未知的值用同样好的模型和训练好的参数进行运算，就可以得到预测值，其实绝大部分的深度学习和机器学习的逻辑都是如此，所以作为新手的我们，必须夯实基础，学习初始化tensor。

方式一：初始化随机tensor,一般而言有2种方式，一个是torch.rand函数另一个是torch.randn的函数，rand 生成均匀分布的伪随机数。分布在（0~1）之间。randn 生成标准正态分布的伪随机数（均值为0，方差为1），这边需要注意的就是randn是可以生成负数的，这块可以注意一下。

方式二：我们都知道神经网络训练的就是我们指定的tensor，把这些tensor通过训练然后在指定的模型中，可以更好地表达我们的输出值，例如一张图片，一段文字，一个图表。所以刚刚开始，这些tensor的值并不是非常重要（当然有一个比较好的分布也是能够帮助我们训练的），但是形状却是非常重要，在后续我们学习矩阵乘法的时候，就会知道形状不对，神经网络前向传播的时候就会报错，所以我们就需要很好地指定tensor的形状和数值类型。如下图所示，我们使用torch.zeros的API，创建3行4列数值全部为0，数值类型全部为torch.float32,值全部在cpu上的张量。大家这边需要加深印象，torch.randn和torch.zeros后续在实战中用的也是比较多的，大家应该勤加练习。

方式三：日常PyTorch的开发，创建一个范围张量和与一个张量形状一致的张量的API的场景也是比较多的，这块大家可以死记硬背一下，暂时加深印象，后续实际使用的时候，也可以多练习，第一个就是torch.arange API 这个API大家可以这么记忆，一共有三个参数：

• 第一个是start，表示这个tensor的第一个值从多少开始。
• 第二个参数是end，表示到什么元素结束。
• 第三个参数就是每次前进多少步距。

这边我们如下进行记忆，和我们的for循环比较像，左闭右开，例如从0开始，到10结束，每次步距是1。注意是左闭右开，所以这个tensor最终是不包含10的，如下所示

还有另一个日常也比较常用的torch.linspace的API，和torch.arange也比较像，不过不是左闭右开，而是左闭右闭的，最后一个参数的含义也变了，不是步距，而是这个创建的tensor需要包含多少个元素。如下演示：

最后一个用的比较多的就是torch.zeros_like这样的API,顾名思义就是创建一个和某某某tensor形状一样，但是所有元素都是0的tensor，这样的话可以方便进行tensor的操作。

最后我们再提一下tensor的核心三个要素，我作为一个初学者，确实还是很容易犯错的，犯错最多的其实是tensor的shape比较难懂，特别是计算机视觉那一块，需要花费很多的功夫和时间去体会，否则真的不会清楚其中tensor形状经过一个操作后的变化。当然这边也是有一定的技巧的，其次就是tensor的类型，这块犯错也还好，主要PyTorch错误提示也比较明显，改起来也比较快速，最后一个就是CPU还是GPU，这块初学者反而并不是很容易犯错，主要是我自己一开始也没有GPU的机器，都是跑在CPU上，所以出错的概率会小很多。

• tensor的形状（shape）
• tensor里数值的类型（dtype）
• tensor元素所在的介质,CPU还是GPU

其实本小节的内容还是非常简单，但是也是非常实用的，后续在构建网络模型的时候，上述的一些创建tensor的API都是一些非常常见的操作。但是我们并没有完全列举，还有一些常用的，大家在遇到的时候，可以去翻阅PyTorch的文档，然后在jupyter lab里面手写一遍，后面基本上就认识了。后续我们也会加快阅读和一起学习的节奏（主要国庆后公司的工作太忙了）。

如果大家喜欢一起学习的方式，希望大家点赞关注，一起迈入深度学习的大门，大家Q4加油，还有最后一点如文章的开头一样提示大家，就是希望大家多练习，动手敲代码，找感觉，否则不会有好的效果。