PyTorch，简单来说，就是以Python为基础，支持GPU计算和深度学习的平台。
Tensors
张量可以视作NumPy的ndarray，区别在于张量可以使用GPU加速。
由于PyTorch是在Python的基础上设计的，所以很多操作和Python很相像。
在使用张量前，先引入torch包：
可以在构建时指定数据类型，但要注意的一点是，类型前必须调用torch包，否则会报错：
也可以直接使用数据定义张量，张量的数据类型由输入数据决定：
还可以使用函数建立张量：
这里torch.size实际上是个tuple，可以对其做tuple的运算：
Operations
PyTorch的矩阵加减没什么好说的，可以用符号，也可以用函数来做，值得一提的是它在使用函数时可以将结果直接赋予变量。
减的函数是sub，点乘为mul，相乘为mm，除为div。此外，在函数名后加_，会让变量存储计算后的结果。
类似NumPy中的一些操作也是可以的：
reshape的函数是view——我的理解是相当于你划了指定长宽的框，然后把传进去的矩阵的值依次按顺序填好：
-1的意思是缺省，它的值根据其他值来推出:
-1可以放在任何位置，而且可以用于多维矩阵：
当你的张量只有一个元素时，可以使用item来获取其值：
这可以利用循环结构或随机存取来获得张量的值。
NumPy Bridge
可以使用类型转换函数将张量转换为NumPy，但反过来不行。
当张量存储在CPU中时，它和由它转换的NumPy共享存储，改变其中一个的值也会同步改变另一个：
从NumPy转换为张量要稍复杂些：
我们可以使用.to方法来将张量移动到其它设备上计算：
在运行后可以很明显地感到，结果比在cpu上运行要出得慢一些。这些时间应该是张量传递到cuda再传递回来所花的时间，由于数据量比较小，传递多花的时间要比计算节省的时间多很多。