PyTorch是一个基于Python的科学包，用于使用一种称为张量的特殊数据类型执行高级操作。 虽然也有其他方式可以实现相同的效果，但今天分享的这5个操作更加方便高效，值得一试。
什么是张量？
张量是具有规则形状和相同数据类型的数字、向量、矩阵或多维数组。
张量是属于线性代数里的知识点，线性代数是用虚拟数字世界表示真实物理世界的工具。
点——标量（scalar）；线——向量（vector）；面——矩阵（matrix）；体——张量（tensor）；
一个张量就是一个可以容纳N维数据及其线性操作的容器。
Pytorch中的张量操作
今天分享的5个操作分别是：expand()、permute()、tolist()、narrow()、where()。
1. expand()
将现有张量沿着值为1的维度扩展到新的维度。张量可以同时沿着任意一维或多维展开。如果你不想沿着一个特定的维度展开张量，你可以设置它的参数值为-1。
在这个例子中，张量的原始维数是[1,2,3]。它被扩展到[2,2,3]。
2. permute()
这个函数返回一个张量的视图，原始张量的维数根据我们的选择而改变。例如，如果原来的维数是[1,2,3]，我们可以将它改为[3,2,1]。该函数以所需的维数顺序作为参数。
在这个例子中，原始张量的维度是[1,2,3]。使用permuting，我将顺序设置为(2,1,0)，这意味着新的维度应该是[3,2,1]。如图所示，张量的新视图重新排列了数字，使得张量的维度为[3,2,1]。
当我们想要对不同维数的张量进行重新排序，或者用不同阶数的矩阵进行矩阵乘法时，可以使用这个函数。
3. tolist()
这个函数以Python数字、列表或嵌套列表的形式返回张量。在此之后，我们可以对它执行任何python逻辑和操作。
在这个例子中，张量以嵌套列表的形式返回。
4. narrow()
这个函数返回一个新的张量，这个张量是原来张量的缩小版。这个函数的参数是输入张量、要缩小的维数、起始索引和新张量沿该维数的长度。它返回从索引start到索引(start+length-1)中的元素。
在这个例子中，张量要沿着第2维，也就是最里面的维度缩小。它接受列表中的元素，从索引2开始，到索引3(=2+2 -1，即start+length-1)。
Narrow()的工作原理类似于高级索引。例如，在一个2D张量中，使用[:，0:5]选择列0到5中的所有行。同样的，可以使用torch.narrow(1,0,5)。然而，在高维张量中，对于每个维度都使用range操作是很麻烦的。使用narrow()可以更快更方便地实现这一点。
5. where()
这个函数返回一个新的张量，其值在每个索引处都根据给定条件改变。这个函数的参数有：条件，第一个张量和第二个张量。在每个张量的值上检查条件(在条件中使用)，如果为真，就用第一个张量中相同位置的值代替，如果为假，就用第二个张量中相同位置的值代替。
这里，它检查张量a的值是否是偶数。如果是，则用张量b中的值替换，b中的值都是0，否则还是和原来一样。此函数可用于设定阈值。如果张量中的值大于或小于某一数值，它们可以很容易地被替换。
文章部分素材来源：人工智能与算法学习
