pytorch中的张量
torch.Tensor
张量是pytorch中一种基本的数据结构，简单说就是多维数组。
这个图讲的挺好的
- 0维张量其实就是一个常数，1维张量也可以看成是一个向量或者一个列表，所以求他们的shape就是一个长度值。2维张量也好理解，就是一个矩阵。
- 3维以上就不太好理解了。把数据打印出来也不太好看。总结了一下，就是从外往里数方括号，最外面的是第一维，接着是第二维，然后越往里维数越大。
-
比如说下面这个，可以把他摊到一条直线上：
- 第一维是3，所以第一个括号里有三个括号，[[],[],[]]
-
第二维是2，所以第二个括号里面有两个括号，[[[],[]],[[],[]],[[],[]]]
- 第三维是1，第三维就是最后一维了，所以第三个括号里就是一个数，不用再加括号了。如果第三维大于1，则是填充对应个数的数字，最后一维可以看成是个列表。
- pytorch打印出来最开始看着挺不习惯的，按照他这个打印的效果来看，最后一维的数字个数其实就是打印出来的列数（和二维中的行、列概念不一样），就是最后一维有几个数，在打印结果中就能看到竖着有几列数。这个只是按我自己方便理解来的，不一定严谨。
- 这个维数比较大，jupyter notebook都打印不全了。
- （3，2，4，5）结果是这样：其实能发现括号是竖着对齐的，第一个括号竖着往下看没有对应的括号，因为这个是最外层的括号，里面应该有三组括号；第二个括号往下看，加上本身确实能数出来三个括号；从第三个括号开始就不能单纯的数了，往下看，加上本身能数出来六个括号，也就是3×2=6；第四个括号往下数，能数出来3×2×4=24个括号；第四个括号后面包围着的就是一个长度为5的列表。
tensor([[[[0.1718, 0.8527, 0.9666, 0.7092, 0.5154],
[0.2044, 0.8089, 0.9778, 0.9318, 0.9228],
[0.5465, 0.1736, 0.2631, 0.2034, 0.9088],
[0.4270, 0.4081, 0.4631, 0.3560, 0.6983]],
[[0.2999, 0.7122, 0.5903, 0.1277, 0.5751],
[0.1246, 0.5702, 0.1140, 0.8634, 0.9751],
[0.3634, 0.7508, 0.0780, 0.7560, 0.0486],
[0.2376, 0.0524, 0.6017, 0.1852, 0.7268]]],
[[[0.4310, 0.0380, 0.6877, 0.6871, 0.1552],
[0.0410, 0.7598, 0.5961, 0.2067, 0.5000],
[0.2841, 0.0070, 0.7234, 0.4698, 0.5778],
[0.0604, 0.6361, 0.3279, 0.3193, 0.0935]],
[[0.5848, 0.5055, 0.1627, 0.1865, 0.6084],
[0.8139, 0.8762, 0.8718, 0.9310, 0.5559],
[0.9700, 0.0542, 0.3832, 0.7804, 0.0634],
[0.5485, 0.8710, 0.0250, 0.5183, 0.2197]]],
[[[0.4483, 0.8109, 0.3941, 0.4923, 0.1219],
[0.4432, 0.1553, 0.9352, 0.8578, 0.9011],
[0.6211, 0.4054, 0.0948, 0.8497, 0.0453],
[0.3323, 0.5797, 0.9602, 0.2465, 0.1827]],
[[0.8947, 0.4333, 0.6646, 0.3788, 0.3188],
[0.6941, 0.8336, 0.0191, 0.7483, 0.1941],
[0.6901, 0.2755, 0.2638, 0.4162, 0.9805],
[0.8687, 0.4539, 0.1989, 0.0908, 0.3199]]]])