首先对张量Tensor做一个整体的了解：

在深度学习中，张量表示的是一个多维数组，它是标量、向量、矩阵的拓展。标量是零维张量，向量是一维张量，矩阵是二维张量，一个RGB图像的数组就是一个三维张量，第一维是图像的高，第二维是图像的宽，第三维是图像的颜色通道。

我们需要记录和更新模型参数，更新的过程需要梯度，张量就是记录模型的梯度。

张量的结构

常用属性

1. data :多维数组
2. dtype: 多维数组的数据类型
3. shape: 多维数组形状
4. device: cpu还是gpu
5. grad等:梯度计算用到的

张量api

1. 创建张量torch.tensor(data,dtyoe=None,device=None,requires_grad=False,pin_memory=False)

2. 创建张量方法2torch.from_numpy()
   这个方法和方法1的区别就是，原array和新创建的tensor公用同一块内存，即修改一个，另一个也改

3. 依数值创建torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
   功能：依给定的size创建一个全0的tensor，默认数据类型为torch.float32（也称为torch.float）

4. out(tensor,optional)的作用：输出的tensor（即该函数返回的tensor）可以通过out进行赋值，有点儿c++中的“引用”的意思。如下例子：

 import torch
 o_t = torch.tensor([1,1,1])
 t = torch.zeros((3, 3), out=o_t)
 print(t, '\n', o_t)
 print(id(t), id(o_t)

tensor([[0, 0, 0],
 [0, 0, 0],
 [0, 0, 0]])
 tensor([[0, 0, 0],
 [0, 0, 0],
 [0, 0, 0]])
 4925603056 4925603056

 通过值和地址的比较，就可看出不仅可以赋值，而且共享一块内存。

• torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)
  依input的size创建全0的tensor

其他一些常见的函数，用到再查吧，我目前只常用到了上面这些hh