1. Torch中的张量：

    不同于数学中特指超过2维的数组，Torch中张量可以是一个标量、向量、矩阵、甚至高维数组。

    PyTorch 中的Tensor往往和Numpy库中的ndarray相互转化

    张量的数据类型：
    image.png

    1. 读取数据类型：

    IN: torch.tensor([1,2, 3.4]).dtype
    OUT: torch.float32

    1. 数据类型转化：

    image.png

    1. 转化数据类型2：a.long().dtype

      image.png

    1. 张量生成

    image.png
    A.shape #获取张量维度
    A.size() #获取张量形状大小
    A.numel() #计算张量中包含元素的数量
    image.png
    image.png
    B²的梯度2B，输出结果为： 2 4 6
    注： 只有浮点类型的张量才允许计算梯度

    torch.onse_like (D)
    torch.zeros_like(D)
    torch.rand_like (D)

    2. 张量计算

    image.png

    1. Torch.nn
      1. 卷积层

    image.png
    image.png

    1. 池化层：对卷积后的特征进行进一步处理（降维）

    平均池化
    最大池化
    image.png

    image.png
    image.png
    自适应平均池化到指定大小 ： nn.AdaptiveAvgPool2d(output_size =(100,100))

    1. 激活函数层

    image.png

    image.png

    1. 循环层

    image.pngimage.png

    1. 全连接层：输入和该层所有输入都有链接，每个输入都会影响所有神经元的输出