Pytorch中，numpy，python风格与深度学习框架及其对应的tensor数据是结合的紧密了一些，更相近了一些，不过使用起来，但是多少还是有些不同的，需要积累。
import torch as T //version==0.3.1可以与list或numpy中的array互相转化：
t=T.Tensor(int) #是产生一个数组分布 t=T.Tensor(list) t=T.Tensor(np.array) t=T.from_numpy(np.array) list=T.tolist(t) array=t.numpy()Tensor和np.array共享内存，所以他们之间的转换很快，而且几乎不会消耗什么资源。但这也意味着，如果其中一个变了，另外一个也会随之改变。 所以有些PyTorch没有但numpy有的操作可以以很小的代价进行“曲线救国“ 指定维度的Tensor：
t=T.Tensor(d1,d2,...) t=T.ones(d1,d2,...) t=T.zeros(d1,d2,...) t=T.eye(d1,d2)由于Tensor的size是一个专门的类型，所以上面的维度也可以由size类型指定。(eye()的参数仅包括1-2个int)
t=T.Tensor(t.size()) t=T.ones(t.size()) //t=T.ones_like(t) t=T.zeros(t.size()) //t=T.zeros_like(t)均分区间生成Tensor、
t=T.arange(m,n,step_length) //[m,n)中m开始以步长step_length生成 t=T.range(m,n,step_length) //[m,n-1]中m开始以步长step_length生成 t=T.linspace(m,n,step_num) //[m,n]中以m为首项，n为末项，均分区间为step_num段随机化生成
t=T.rand(t.size()) //均匀分布 t=T.randn(t.size()) //标准正态分布 t=T.normal(mean,std) //size同t.Tensor()，每个数以对应的均值mean和标准差std[i,j,...]正态采样。新建空Tensor和全值Tensor
t=T.empty(t.size()) t=T.empty_like(t) t=T.full(t.size(),value) t=T.full_like(t,value)指定不同类型数据的Tensor
Data typeCPU tensorGPU tensor32-bit floating pointT.FloatTensorT.cuda.FloatTensor64-bit floating pointT.DoubleTensorT.cuda.DoubleTensor16-bit floating pointT.HalfTensorT.cuda.HalfTensor8-bit integer (unsigned)T.ByteTensorT.cuda.ByteTensor8-bit integer (signed)T.CharTensorT.cuda.CharTensor16-bit integer (signed)T.ShortTensorT.cuda.ShortTensor32-bit integer (signed)T.IntTensorT.cuda.IntTensor64-bit integer (signed)T.LongTensorT.cuda.LongTensor采数据
T.index_select(t, di, indices) //在第di维上将t的indices抽取出来组成新Tensor。 T.masked_select(t, mask) //按照0-1Tensor mask的格式筛选t，返回一维Tensor T.nonzero(t) //输出n×2维Tensor，非零元素的index指定不同类型数据的Tensor
t.size() //返回size类型 T.numel(t) //返回总元素个数 t.view(d1,d2,d3....)//维度重整 t.unsqueeze(di) //在di个维度处升维、 t.squeeze(di) //若di维是1，压缩，否则不变。若无参数，压缩所有“1”维 T.cat((t,t,...),di) //按第di的维度按照tuple的格式复制t T.chunk(t,i,di) //在di维上将t分成i份，最后一份的维度不定（若不能整除）一些数学功能类似于numpy，这里就不再赘述了，边用边整理吧。
