Torch7深度学习教程（二）

• Torch里非常重要的结构Tensor（张量），类似于Python用的Numpy
  
  声明Tensor的格式如12行，打印a可以得到一个5x3的矩阵，这里的没有赋初值，但是Torch也会随即赋值的，具体的就跟c++里面的生命了变量虽没有初始化，但是还是会有值一样。
  
  接着我们调用rand随即初始化矩阵的值（注意这里跟我上面说的随即初始化的区别）。
  
  也可以直接调用随即初始化Tensor的值，如16行的代码，与a的随即初始化5x3矩阵是一样的，这里b是3x4矩阵。
  
  矩阵的乘实现的第一种方法
  
  矩阵的乘实现的第二种方法
  
  矩阵的乘实现的第三种方法，这种方法是先声明一个5x3乘以3x4矩阵生的5x4举证的Tensor变量c后，用变量c调用mm（）方法进行乘运算，最后将结果保存到了c中，当然也可以用如下方式保存
  这种方式保存的不需要声明d为5x4的矩阵，直接使用即可，跟matlab特别像。
  

price = torch.Tensor{28993, 29110, 29436, 30791, 33384, 36762, 39900, 39972, 40230, 40146}


这是自己定义Tensor的值输入10个整型值，打印price，注意这时它只是一个有10数据的Tensor。

对比这两张图片，第一张是有10个数据的Tensor，第二张是10x1的矩阵，也可以成为列向量（神经网络经常用到），是调用了reshape（）方法转换的，它们看着一样本质上是不一样的！

这时再次调用reshape（）方法生产的2x5矩阵，值得注意的是，现在虽然调用了两次reshape（），但是原来的price还是10个数据的Tensor，如下图22行，在经过2次reshape（）运算后price没有变化。

可以使用赋值语句将10x1的向量保存到price_vec中，当然也可以一直用price:reshape(10,1)来表示10x1向量，就是代码长一些。

如果想输出1到10这样的类似于枚举型数据时，可以调用range（）方法，再次提醒这样初始化的还是一个Tensor，而非运算时候的矩阵或者向量，要用reshape转换。