1--如第二章所讲，Tensor的本质是矩阵或数据
2--对Tensor的操作分类
|----API分类
|------torch中定义的： t.f(a,b)
|------tensor的成员函数: a.f(b)
|----按对tensro的作用分
|------不会改变本身 ： 返回第三变了
|------会改变本身 ： 修改自身的， 同名方法+ 下划线 都表示这个方法是修改自身的
3--Tensor的创建
|----t.Tensor(a,b): 创建一个a×b的tensor，值为随机，t.Tensor((a,b))：以list（a,b)创建一个tensor,两者不一样
|----t.ones(),t.zeros():创建全1，全0对象
|----t.eye(),创建单位矩阵（对角线为1的矩阵）|为什么只有一个方向的对角线？因为子矩阵中上下顺序可以变换
|----t.arange(a,b,s) 创建1维数据，从a到b，s为步进值
|----t.linspace(a,b,s) 创建1维数据，从a到b分成s分，但是s不能是1，至少是2
|----t.rand(),t.randn(), 前者随即分布，后者正态随即分布
|----t.normal(m,s),t.uniform(f,to)，正太分布，均匀分布 ？ 不知道有什么区别 ？？
|----t.randperm(m)随机排列， 即 1-m随机排列产生一个一维数组
4--Tensor属性访问
|----查看Tensor的大小（维度 ） a.size(),a.shape(),两者等价
|----查看总元素个数 a.numel() == a.nelement()
5--Tensor数据层面上的修改
|----a.view(a,b),会修改其维度，但是数据总量不会改变 且返回新的对象b，但a与b共享内存，只是对内存的解析不同
|------当view的参数含有-1时，该参数会根据另一个参数计算当前的参数
|----a.squeeze(dim) 缩减某个维度，但是只有能缩减的时候才会生效，实验的时候发现只有经过unsqueeze出的维度才能缩减
|----a.resize_(), 当缩小时，不见的内存依旧保存，当变大时，会自动扩增内存
6--Tensor的索引
|----下标运算[ ]，很骚气，脚本语言的好处了吧
|----方法类: 注意 要分清 dim 和 index的区别
|------t.index_select()
|------t.masked_select()，就是掩图，但是是ByteTensor
|------t.non_zero()
|------gather() 在某维度的方向上 进行选取，略复杂
|------scatter_() 与 gather操作相反