2.2.2 张量运算
与NumPy类似，你可以在张量对象上执行各种基本运算。与神经网络运算类似的是输入数据与权重之间的矩阵乘法，添加偏置项，并在需要的时候重塑输入数据或权重值。下面给出这些运算和其他运算的实现代码。
下列代码可以从本书的GitHub存储库（https://tinyurl.com/mcvp-packt）Chapter02文件夹中的Operations_on_tensors.ipynb获得。
❍ 可以使用下列代码将x中所有元素乘以10：
❍ 可以使用下列代码将10加到x中的元素，并将得到的张量存储到y中：
❍ 可以使用下列代码重塑一个张量：
❍ 重塑张量的另一种方法是使用squeeze方法，提供我们想要移除的指标轴。注意，这只适用于要删除的轴在该维度中只有一个项的场合：
❍ 与squeeze相反的是unsqueeze，这意味着给矩阵增加一个维度，可以使用下列代码实现：
使用None进行索引是一种很别致的unsqueeze方式，本书经常使用这种方式创建虚拟的通道/批维度。
❍ 可以使用下列代码实现两个不同张量的矩阵乘法：
❍ 或者，也可以使用@运算符实现矩阵乘法：
❍ 类似于NumPy中的concatenate，可以使用cat方法实现张量的连接：
❍ 可以使用下列代码提取张量中的最大值：
❍ 可以从存在最大值的行索引中提取最大值：
注意，在前面的输出中，获取的是第0号维度上的最大值，即张量在行上的最大值。因此，所有行上的最大值都是第4个索引中出现的值，所以indices的输出也都是4。此外，.max返回最大值和最大值的位置（argmax）。
类似地，跨列取最大值时的输出如下所示：
min运算与max运算完全相同，但在适合的情况下返回最小值和最小值的位置（arg-minimum）。
❍ 置换一个张量对象的维数：
注意当对原始张量进行排列时，张量的形状就会发生改变。
永远不要通过重塑（即使用tensor.view）一个张量来交换维数。虽然Torch不会抛出一条错误信息，但这是错误的，并将在训练期间产生不可预见的结果。如果需要交换维数，请始终使用permute。
因为本书很难涵盖所有可用的运算，所以重要的是要知道，你可以使用几乎与NumPy相同的语法在PyTorch中执行几乎所有的NumPy运算。标准的数学运算，如abs、add、argsort、ceil、floo、sin、cos、tan、sum、cumprod、diag、eig、exp、log、log2、log10、mean、median、mode、resize、round、sigmoid、softmax、square、sqrt、svd和transpose等，均可以直接在任何有轴或没有轴的张量上被调用。你总是可以运行dir（torch.Tensor）来查看所有可能的Torch张量方法，并通过help（torch.tensor.<method>）来查看关于该方法的官方帮助和相关文档。
接下来，我们将学习如何利用张量在数据上执行梯度计算，这是神经网络执行反向传播的一个关键点。