好的 😄，我给你整理一个 **PyTorch `tensor` 使用大全**，覆盖创建、操作、转换、计算等常用方法。为了系统化，我会按类别来整理，并给简单示例。

---

# 🟢 1. 创建 Tensor

```python
import torch

# 直接从数据创建
a = torch.tensor([1, 2, 3], dtype=torch.float32)

# 全 0 / 全 1 / 全某数
b = torch.zeros(3, 4)
c = torch.ones(2, 5) * 7

# 随机数
d = torch.rand(3, 3)       # 0~1 均匀分布
e = torch.randn(3, 3)      # 标准正态分布

# 类似 numpy 的 arange / linspace
f = torch.arange(0, 10, 2) # 0,2,4,6,8
g = torch.linspace(0, 1, steps=5) # 0,0.25,0.5,0.75,1

# 空 tensor（占位）
h = torch.empty(2, 3)
```

---

# 🟢 2. Tensor 属性

```python
x = torch.randn(2, 3)

x.shape       # 返回 (2,3)
x.size()      # 等同 shape
x.dtype       # 数据类型，如 torch.float32
x.device      # 运行设备，如 cpu 或 cuda:0
x.numel()     # 元素总数
x.requires_grad_(True)  # 设置是否需要梯度
```

---

# 🟢 3. Tensor 运算

### 3.1 基本算术

```python
a = torch.tensor([1,2,3])
b = torch.tensor([4,5,6])

c = a + b
d = a - b
e = a * b
f = a / b
g = a ** 2
```

### 3.2 矩阵运算

```python
A = torch.rand(2,3)
B = torch.rand(3,2)

C = torch.matmul(A, B)   # 矩阵乘法
D = A @ B                # 等价写法
E = A.T                  # 转置
```

### 3.3 统计函数

```python
x = torch.tensor([[1,2],[3,4]], dtype=torch.float32)

x.sum()       # 所有元素求和
x.mean()      # 平均值
x.max()       # 最大值
x.min()       # 最小值
x.argmax()    # 最大值索引
x.argmin()    # 最小值索引
x.std()       # 标准差
x.var()       # 方差
```

---

# 🟢 4. Tensor 索引与切片

```python
x = torch.tensor([[1,2,3],[4,5,6]])

x[0]       # 第一行
x[:,1]     # 第二列
x[0,2]     # 第一行第三列
x[1,:2]    # 第二行前两列
x[-1,-1]   # 最后一个元素
```

---

# 🟢 5. Tensor 改变形状

```python
x = torch.arange(12)

y = x.view(3,4)       # 改变形状 (reshape)
z = x.reshape(3,4)    # reshape 等同 view，但更安全
w = x.unsqueeze(0)    # 增加维度
v = x.squeeze()       # 删除维度为1的维
t = x.transpose(0,0)  # 交换维度
```

---

# 🟢 6. Tensor 拼接与拆分

```python
a = torch.randn(2,3)
b = torch.randn(2,3)

# 拼接
c = torch.cat([a,b], dim=0)   # 纵向拼接
d = torch.cat([a,b], dim=1)   # 横向拼接

# 堆叠（增加新维度）
e = torch.stack([a,b], dim=0) 

# 拆分
f1, f2 = torch.chunk(c, 2, dim=0)  # 按行拆成两块
```

---

# 🟢 7. Tensor 类型转换

```python
x = torch.tensor([1,2,3], dtype=torch.int32)

x.float()       # 转 float
x.double()      # 转 double
x.long()        # 转 int64
x.bool()        # 转 bool
```

---

# 🟢 8. Tensor 与 NumPy 互转

```python
import numpy as np

a = torch.tensor([1,2,3])
b = a.numpy()              # Tensor → numpy array

c = np.array([4,5,6])
d = torch.from_numpy(c)    # numpy → Tensor
```

⚠️ 注意：共享内存，如果修改其中一个，另一个也会变。

---

# 🟢 9. GPU 操作

```python
x = torch.randn(2,3)

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
x = x.to(device)

y = torch.tensor([1,2,3], device=device)  # 直接在 GPU 上创建
```

---

# 🟢 10. 自动求导（梯度）

```python
x = torch.tensor([2.0,3.0], requires_grad=True)
y = x ** 2 + 3*x
z = y.sum()
z.backward()  # 自动求梯度
print(x.grad) # dx
```

---

# 🟢 11. 常用函数速查

| 类别   | 常用函数                                          |
| ---- | --------------------------------------------- |
| 线性代数 | `matmul`, `mm`, `bmm`, `einsum`               |
| 激活函数 | `relu`, `sigmoid`, `tanh`, `softmax`          |
| 聚合函数 | `sum`, `mean`, `max`, `min`, `prod`, `cumsum` |
| 比较函数 | `eq`, `ne`, `gt`, `lt`, `ge`, `le`            |
| 随机函数 | `rand`, `randn`, `randint`, `randperm`        |
| 其他   | `clone`, `detach`, `item`, `expand`, `repeat` |

---

如果你需要，我可以帮你整理一个 **可直接拷贝的 PyTorch Tensor 使用小抄（含示例和用法备注）**，适合放在屏幕边上快速查。

你希望我帮你整理吗？