一、 PyTorch中，Tensor和tensor

• 首先，我们需要明确一下，torch.Tensor()是python类，更明确地说，是默认张量类型torch.FloatTensor()的别名，torch.Tensor([1,2])会调用Tensor类的构造函数__init__，固定地生成单精度浮点类型的张量。

>>> a=torch.Tensor([1,2])
>>> a.type()
'torch.FloatTensor' #生成单精度浮点类型的张量。

• 而torch.tensor()仅仅是python函数：https://pytorch.org/docs/stable/torch.html
  #torch.tensor ，函数原型是：

torch.tensor(data, dtype=None, device=None, requires_grad=False)

• 其中data可以是：list, tuple, NumPy ndarray, scalar和其他类型。
  torch.tensor会从data中的数据部分做拷贝（而不是直接引用），根据原始数据类型生成相应的torch.LongTensor、torch.FloatTensor和torch.DoubleTensor张量。

>>> a=torch.tensor([1,2])
>>> a.type()
'torch.LongTensor'

>>> a=torch.tensor([1.,2.])
>>> a.type()
'torch.FloatTensor'

>>> a=np.zeros(2,dtype=np.float64)
>>> a=torch.tensor(a)
>>> a.type()
'torch.DoubleTensor'

• 在PyTorch中，Tensor和tensor都能用于生成新的张量：

>>> a=torch.Tensor([1,2])
>>> a
tensor([1., 2.])
>>> a=torch.tensor([1,2])
>>> a
tensor([1, 2])

>>> a=torch.tensor(1)
>>> a
tensor(1)
>>> a.type()
'torch.LongTensor'
>>> a=torch.Tensor(1) 
>>> a
tensor([0.])
>>> a.type()
'torch.FloatTensor'
>>> a=torch.Tensor(3) # 3因为是标量，所以作为size
>>> a
tensor([0., 0., 0.])
>>> a.type()
'torch.FloatTensor'

• 可见，Tensor(1)1是标量，标量作为size
  传入的，Tensor(3)则生成的是size为3的单精度浮点型张量。把a=torch.Tensor(1)改成a=torch.Tensor([1])，a就是一个数值为1的张量了。
• 一定要充分理解张量！对于我们理解构建计算图和自动求导，反向传播等应用有重要帮助。
  在PyTorch中，torch.Tensor类是存储和变换数据的重要工具，相比于Numpy，Tensor提供GPU计算和自动求梯度等更多功能，在深度学习中，我们经常需要对函数求梯度（gradient）。PyTorch提供的autograd包能够根据输入和前向传播过程自动构建计算图，并执行反向传播。

二、 Tensor几种形式

1、scalar 标量

2、vector 向量
如一个人有三个指标：身高体重性别 组成一个一个值的集合，一个向量

3、matrix 矩阵
很多个vector摞在一起，多维的一般计算的都是矩阵