深度学习笔记（二）

张量 Tensor 存储

• 存储区是由数字数据组成的一维数组，即包含给定类型的数字的连续内存块
• 实例，使用偏移量和每个维度的步长对该存储区进行索引
• 多个张量可以索引同一存储区，但是它们索引到的数据可以不同
  • 例如，索引同一个存储区： 4 1 5 3 1 2
  • 可以得到 2 个不同的张量

tensor = ([[4 1 5], 
          [3 1 2]])
tensor = ([[4 1],
           [5 3],
           [1 2]])

• 张量只是个索引，底层的存储区本质上是一个连续数组，其布局始终是一维的
• 改变一个存储区的值，会导致与其关联的张量的内容发生变化

  points = torch.tensor([[4.0, 1.0], [5.0, 3.0], [2.0, 1.0]])
  points_storage = points.storage()
  points_storage[0] = 2.0
  points

  # Out:
  tensor([[2., 1.],
          [5., 3.],
          [2., 1.]])

张量元数据：大小、偏移量和步长

• 大小（形状）
  • 一个元组，表示张量在每个维度上有多少个元素
• 偏移量
  • 是指存储区中某元素相对张量中的第 1 个元素的索引
• 步长
  • 是指存储区中为了获得下一个元素需要跳过的元素数量