import torch
import numpy as np
data = np.array([[1,2,3],[4,5,6],[7,8,9]])
# 1. 类构造函数，根据全局缺省值
T1 = torch.Tensor(data)
# 2. 工厂函数，根据输入
T2 = torch.tensor(data)
T3 = torch.as_tensor(data)# 输入变，T3映射，亦变
T4 = torch.from_numpy(data)# 输入变，T4映射，亦变
'''
T1、T2复制存于新内存
T3、T4是在内存中共享
最好是tensor和as_tensor
'''
# 3.无中生有
T5 = torch.eye(n)# 单位张量
T6 = torch.zeros(a,b,...,n)# 零张量
T7 = torch.ones(a,b,...,n)# 一张量
T8 = torch.rand(a,b,...,n)# 随机张量[0,1]

len(T.shape)

T.shape

T.dtype

T.device
device = torch.device("cuda:0")

T.layout

T.reshape(n,m,-1)
#张量的标量分量，也就是元素数量
torch.tensor(t.shape).prod()
T.numel()

#用于改变张量的维度
T.reshape(1,12).squeeze()#移除所有长度为一的轴
T.reshape(1,12).squeeze().unsqueeze(dim=0)#增加一个长度为一的维度

def flatten(T):
    T = T.reshape(1,-1)
    T = T.sequeeze()
    return T
#pytorch自带flatten

T1 = torch.tensor([[1,2],[3,4]])
T2 = torch.tensor([[5,6],[7,8]])
#行拼接，列数不变
torch.cat((T1,T2),dim=0)
#列拼接，行数不变
torch.cat((T1,T2),dim=1)

#因此对于每一张图片的flatten就要单独来做了
T.flatten(start_dim=1)

input = torch.empty(1,2)
torch.ones_like(input) # 按照input的形状，填充出来一个值全为一的矩阵

#通过这个例子来看看三者的一个功能吧
class A():
    # 初始化一个年龄
    def __init__(self, init_age):
        super().__init__()
        print('2. 它现在年龄是:',init_age)
        self.age = init_age
    # 启动函数
    def __call__(self, added_age):
        print('3. 准备调用forward函数了')
        res = self.forward(added_age)
        return res
    # forward，年龄增长
    def forward(self, input_):
        print('4. forward函数被调用，年龄增长')
        return input_ + self.age
    
print('1. 创建对象')
#创建对象，给一个初始值
a = A(10) 
#这里是传参给了call，它再调用了forward
input_param = a(2) 
print("5. 它增长后的年龄是：", input_param)

out：
1. 创建对象
2. 它现在年龄是: 10
3. 准备调用forward函数了
4. forward函数被调用，年龄增长
5. 它增长后的年龄是： 12