在深度学习中，张量（Tensor）是最基础也是最核心的数据结构，PyTorch 作为主流的深度学习框架，提供了丰富的张量操作 API。本文将从张量的创建、类型转换、基本运算、索引切片、形状调整到拼接等方面，通过具体示例详细讲解 PyTorch 张量的常用操作，适合初学者快速入门。
一、张量的创建
PyTorch 提供了多种创建张量的方法，可根据不同需求选择合适的方式。
1. 基于数据或形状创建
torch.tensor(data)：根据指定数据创建张量torch.Tensor(shape)：根据形状创建张量（默认浮点型）torch.IntTensor(shape)、torch.FloatTensor(shape)等：创建指定数据类型的张量
import torch # 根据数据创建张量 print(torch.tensor([1, 2, 3])) # 输出：tensor([1, 2, 3]) # 根据形状创建张量（未初始化，值为随机） print(torch.Tensor(3, 5)) # 输出3行5列的浮点型张量 # 创建指定类型的张量（int型） print(torch.IntTensor(3, 5)) # 输出3行5列的int型张量2. 线性与随机张量
torch.arange(start, end, step)：创建线性序列张量torch.linspace(start, end, steps)：创建均分序列张量torch.rand(shape)：创建 [0,1) 均匀分布的随机张量torch.randn(shape)：创建标准正态分布的随机张量torch.randint(low, high, shape)：创建整数随机张量
# 设置随机种子，保证结果可复现 torch.random.manual_seed(100) # 步长为2的线性序列（0到10，不包含10） print(torch.arange(0, 10, 2)) # 输出：tensor([0, 2, 4, 6, 8]) # 0到10之间均分5个值 print(torch.linspace(0, 10, 5)) # 输出：tensor([ 0.0000, 2.5000, 5.0000, 7.5000, 10.0000]) # 3行5列的均匀分布随机张量 print(torch.rand(3, 5)) # 3行5列的标准正态分布随机张量 print(torch.randn(3, 5)) # 0-10之间的3行5列整数随机张量 print(torch.r
