目录Tensor的加法运算Tensor的乘法运算​Tensor的除法运算Tensor的矩阵运算矩阵乘法二维高维Tensor的幂运算-对数运算可直接执行的代码Tensor的加法运算前三种都是直接相加，第四种带下划线的方式会改变a的值，即a.add_(b)等价于a=a+bTensor的乘法运算相乘的Tensor必须维度完全相同，并且对应的结果为对应元素相乘Tensor的除法运算Tensor的矩阵运算矩

目录Tensor的加法运算Tensor的乘法运算​Tensor的除法运算Tensor的矩阵运算矩阵乘法二维高维Tensor的幂运算-对数运算可直接执行的代码Tensor的加法运算前三种都是直接相加，第四种带下划线的方式会改变a的值，即a.add_(b)等价于a=a+bTensor的乘法运算相乘的Tensor必须维度完全相同，并且对应的结果为对应元素相乘Tensor的除法运算Tensor的矩阵运算矩

torch.where参数含义：满足这个condition则用这个tensor的元素，否则则用另一个代码如下：# torch.wherea = torch.rand(4, 4)b = torch.rand(4, 4)print(a, b)# 满足这个condition则用这个tensor的元素，否则则用另一个print(torch.where((a > 0.5), a, b))torch.i

接下来讲解分为以下几个代码块，实际操作只需要套用以下代码即可。随机生成n对点对散点进行上色绘制散点图（第三个参数s是size，第四个参数c是color,第五个参数是透明度）限制x与y的图像的范围将坐标轴上的数字进行隐藏（自行选择是否隐藏）import numpy as npimport matplotlib.pyplot as pltplt.figure()#随机生成n对点n=1024X=np.r

目录1.Tensor的类型2.Tensor的创建方式（初始化）3.Tensor的定义过程代码演示4.Tensor的属性5.稀疏的张量5.1 简介5.2 代码实现1.Tensor的类型2.Tensor的创建方式（初始化）3.Tensor的定义过程代码演示import torch# 直接定义并赋值Tensora = torch.Tensor([[1, 2], [3, 4]])print(a)print

目录In-place广播机制​代码In-place即直接将结果赋值给参与运算的某个变量广播机制主要用于将两个维度不同的tensor进行运算，需要满足右对齐，即从右往左看，两个tensor上下两个相对应的维度的数值进行对比，要么相等，要么需要满足其中一个维度为1广播运算可以在搭建网络结构中简化运算代码import torcha = torch.rand(1, 2, 1, 2, 3)b = torch

目录Tensor的加法运算Tensor的乘法运算​Tensor的除法运算Tensor的矩阵运算矩阵乘法二维高维Tensor的幂运算-对数运算可直接执行的代码Tensor的加法运算前三种都是直接相加，第四种带下划线的方式会改变a的值，即a.add_(b)等价于a=a+bTensor的乘法运算相乘的Tensor必须维度完全相同，并且对应的结果为对应元素相乘Tensor的除法运算Tensor的矩阵运算矩