创建Tensor
numpy是一个非常常见的数据的一个载体，数据可以先从numpy中间先导进tensor来；
1、从numpy引入 import from numpy
a=np.array([2,3.3])#从numpy中创建一个dim=1，长度为2的一个向量；
print(torch.from_numpy(a))#使用torch.from_numpy()的函数将numpy作为参数导进来，数据维持不变
#输出结果为tensor([2.0000,3.3000],dtype=torch.float(64))
a=np.ones([2,3])#使用numpy的ones（）函数新建了一个矩阵，三行两列
print(torch.from_numpy(a))#输出结果([[1.,1.,1.],[1.,1.,1.]],dtype=torch.float(64))2、从list导入 import from list
#如果只用导入一个小数据量的数据，则可以不用numpy作为数据载体，可以直接在数据的参数里面使用类似的方法承载进去
a=torch.tensor([2.,3.2]) #创建一个向量
print(a) #输出结果tensor（[2.0000，3.2000]）
a=torch.FloatTensor([2.,3.2])
print(a) #输出结果tensor（[2.0000，3.2000]）
a=torch.tensor([2.,3.2],[1.,22.3 ])
print(a)
FloatTensor和tensor的区别：
FloatTensor，是接受shape作为参数，指定一个维度，生成一个没有初始化的数组类型（接受数据的维度）；
tensor，是接受现有的数据；
3、怎么生成数据未初始化的数据
比如说我们要申请一片内从空间，不需要初始化，未初始化的数据不是说没有数据，而是数据一般是非常随机的，读写的时候可能会出现非常非常不规则的数据。
第一，可以直接使用empty()函数：Torch.empty()
第二，使用FloatTensor（）函数，推荐使用的，给定一个shape，比如说，我们要生成一个CNN的图片，那就是说图片的第一个维度是80size，第二个维度是如果你用的是mini的数据集，第三个维度是28，第四个维度是28，因此我们使用float参数来生成这样。Torch.FloatTensor([3,1,28,28])
如果是生成int类型的tensor，就是Torch.TntTensor（d1，d2，d3）
未初始化的api使用的时候把它作为一个容器，后面要把数据写进来，不然直接使用，可能会造成一系列的问题。
4、设置默认的数据类型 set default type
torch.tensor([1.2,3]).type() #查看tensor的数据类型
#把默认的数据类型改为double
torch.set_default_tensor_type(torch.DoubleTensor)
一般来说在pytorch中都会使用DoubleTensor的数据类型，因为精度比较高。
索引
1、最简单的索引，直接给定索引
a=torch.rand(4,3,28,28)#dim=4的数据，这个数据就是我们用的CNN里面的数据输入
#第一个维度是batch_size，第二个维度是n_channels，第三个和第四个是长和宽。
print(a[0].shape) #输出结果troch.Size([3,28,28])
#给了一个维度，表示取得是第一张图片，第一张图片包括三个通道，长和宽。
print(a[0,0].shape) #输出结果torch.size([28,28])
#给了两个维度，dim=0和dim=1,表示取第0张图片的第0个通道，所以size就是28x28；
print(a[0,0,2,4]) #输出结果tensor(0.8082)
#表示第0张图片的第0个通道，第二行第四列的像素点打印出来。2、高级的索引方式
a=torch.rand(4,3,28,28)#dim=4的数据，这个数据就是我们用的CNN里面的数据输入
#第一个维度是batch_size，第二个维度是n_channels，第三个和第四个是长和宽。
print(a.shape) #输出结果torch.Size([4,3,28,28])
print(a[:2].shape) #输出结果torch.Size([2,3,28,28])
#表示从0张图片开始到第二张图片，不包括第二张图片，也就是0和1两张图片。
print(a[:2,:1,:,:].shape) #输出结果torch.Size([2,1,28,28])
#表示从0张图片开始到第二张图片，不包括第二张图片，也就是0和1两张图片，然后0通道，也就是一个通道，后面是全部都取，也就是28x28.
print(a[:2,1:,:,:].shape) #输出结果torch.Size([2,2,28,28])
#表示从0张图片开始到第二张图片，不包括第二张图片，也就是0和1两张图片，然后从1通道到最后一个通道，也就是1通道和2通道，也就是两个通道，后面是全取，也就是28x28.
print(a[:2,-1:,:,:].shape) #输出结果torch.Size([2,1,28,28])
#表示从0张图片开始到第二张图片，不包括第二张图片，也就是0和1两张图片，然后从-1通道也就是最后一个通道。后面是全取，也就是28x28.
#[0,1,2],正向索引就是0，1，2；反向索引就是-3，-2，-1；3、间隔采样 select by step
a=torch.rand(4,3,28,28)#dim=4的数据，这个数据就是我们用的CNN里面的数据输入
#第一个维度是batch_size，第二个维度是n_channels，第三个和第四个是长和宽。
print(a.shape) #输出结果torch.Size([4,3,28,28])
print(a[:,:,0:28:2,0:28:2].shape) #输出结果torch.Size([4,3,14,14])
#表示对所有的batch和所有的channels，高和宽上做隔行采样，0:28表示取所有的，0:28:2表示隔行
print(a[:,:,::2,::2].shape) #输出结果torch.Size([4,3,14,14])
#表示对所有的batch和所有的channels，高和宽上做隔行采样，：表示取所有的，：:2表示隔行
#通用形式： start:end:step