张量数据类型

基本数据类型

只需要知道torch.FloatTensor，torch.ByteTensor，torch.IntTensor，torch.LongTensor，GPU Tensor比CPU Tensor中间多一个cuda。

可以用变量名.type检查类型。

isinstance（）用来对tensor进行类型检验，将两个进行对比类型一致返回TRUE
注意：type(x)是python内置用法，只会返回torch.Tensor不会返回具体类型要用x.type。
x.cuda()会返回一个gpu上的引用。

不同维度tensor创建

Dim 0

用于计算Loss，输出一个标量。

torch.tensor(1.)

tensor(1.)
注意：1.是0维，是标量，[1.]是1维，长度为1的张量。
a.shape和a.size()作用等同，输出的torch.size([])即表示dimension为0，说明该tensor为标量

Dim 1

用于神经网络的偏置bias，或者作为神经网络线性层的输入，如MNIST数据集中图片格式转换后为tensor([784])。

torch.tensor([1.])

shape,size,dimension的区别:
shape：从前往后对应由外向内的维度。
size：同shape。
dim：代表张量的维度。

Dim 2

用于神经网络带有batchsize的线性输入，如MNIST数据集中[4,784]表示有四张图片，每张图片784个像素点，第一个维度表示第几张照片，第二个维度表示照片中第几个像素点对应的数值。

Dim 3

3维的tensor尤其适合于RNN的input_batch，用于自然语言处理，加入一句话由10个单词组成，每个单词有100种可能，采用one-hot编码，则代表一句话的tensor shape为[10,100],若一次输入20句话，则tensor shape为[10,20,100]

Dim 4

主要用于CNN中输入，如[2,3,28,28]格式tensor四个维度分别表示
batchsize，channel，height，weight，例子中表示两张通道为3，高度宽度都为28个像素点的图片。灰度图通道数为1，彩色图通道数为3分别表示RGB。