一、pytorch的特点
1.类似于Numpy的张量计算
PyTorch中的基本数据结构是张量（Tensor），它与NumPy中的数组类似，但PyTorch的张量具有GPU加速的能力（通过CUDA），这使得深度学习模型能够高效地在GPU上运行。
2.自动微分系统
可以自动计算模型中的每个参数的梯度。
3.深度学习库
PyTorch提供了一个名为torch.nn的子模块，用于构建神经网络。它包括了大量的预构建的层（如全连接层、卷积层、循环神经网络层等），损失函数（如交叉熵、均方误差等），以及优化算法（如SGD、Adam等）。
4.GPU加速支持
5.跨平台支持
二、张量的创建
1.什么是张量
张量是PyTorch的核心数据抽象，是元素为同一数据类型的多维矩阵，与Numpy数组类似，
张量的默认数据类型是float32，torch.tensor()可以创建张量。
torch.randn(size) 标准正态分布（均值为0，标准差为1）
torch.rand(size) 均匀分布（在[0, 1)区间均匀分布）
torch.randint(low, high, size)离散均匀分布（返回整数）
2.张量的基本运算
加减乘除取负号：
+、-、*、/、-
add(other=)、sub、mul、div、neg
add_(other=)、sub_、mul_、div_、neg_（其中带下划线的版本会修改原数据）
