一、张量tensor
张量的三个特征：秩、轴、形状
张量的秩是指索引的个数，轴是指每一个维度的最大的索引的值，张量的形状提供了维度和索引的数量关系。
经常需要对张量进行重塑
t.reshape(1,9)利用上述函数可以将张量按任意想要的形状进行重塑
下面我们考虑具体的情况，将张量带入CNN的输入中
这里的张量的秩为4，即[B,C,H,W]，其中后两个维度作为每一个像素的长和宽的索引，第三个维度作为RBG或者灰度图的通道的索引，第四个维度作为批的数量的索引。
对于每一张图片，通过卷积运算将被改变其高度、宽度维度以及颜色通道的数量，通道的数量根据在层中使用的滤波器的数量而变化。
二、利用函数制造张量
利用numpy
事先没有数据，创建一些特殊的tensor
关于创建tensor的不同选项的性能解读
不难看出，前两种方式相当于在内存中创建了初始数据对象的副本，二后两种方式则是共享数据内存。通常情况下建议使用torch.tensor()来创建tensor对象。
三、常见的tensor操作
重塑、元素操作、还原和访问
tensor的重塑
接下来可以对其reshape
此外还可以对张量进行压缩和解压缩（squeeze & unsqueeze）
这个操作可以消除（增加）轴为1的秩
flatten函数，传递给全连接层的卷积层输出必须在进入全连接层之前进行flatten。将输入的图像压扁成为一个一维的张量，所有轴被挤压在一起。
考察CNN的输入，对于每一张图片而言相当于进行展平成一维
但是对于实际情况来说，还需要批和通道三个维度，模拟CNN的输入
接下来可以通过flatten函数来对特定维度的tensor进行处理
显然这不是我们想要看到的，我们希望将每一批的图片每一张进行单独的处理，而不是草率的全部压缩为一维，这样的信息失去了处理的意义，因此我们需要规定flatten的起始维度start_dim
这样，我们就可以利用tensor进行批处理了
tensor的元素操作
元素操作通常进行于相同位置上的元素，由索引确定位置，两个张量必须具有相同的形状才能进行一个元素操作。
张量广播：通过numpy的广播可以进行简单的tensor和标量之间的计算。
此外张量还可以进行比较，符合条件的元素被设定为1，否则被置为0。
张量的缩减操作
减少张量中包含的元素数量的操作，例如：求和操作，求平均值
Argmax，返回tensor中最大值的索引，在一个tensor上调用argmax压缩为一个新的tensor。在神经网络的输出层中可以用其找到预测概率最大的预测类。
