PyTorch最近幾年可謂大火。相比於TensorFlow，PyTorch對於Python初學者更爲友好，更易上手。
衆所周知，numpy作爲Python中數據分析的專業第三方庫，比Python自帶的Math庫速度更快。同樣的，在PyTorch中，有一個類似於numpy的庫，稱爲Tensor。Tensor自稱爲神經網絡界的numpy。
一、numpy和Tensor二者對比
| 對比項 | numpy | Tensor |
| 相同點 | 可以定義多維數組，進行切片、改變維度、數學運算等 | 可以定義多維數組，進行切片、改變維度、數學運算等 |
| 不同點 |
1、產生的數組類型爲numpy.ndarray； 2、會將ndarray放入CPU中進行運算； 3、導入方式爲import numpy as np，後續通過np.array([1,2])建立數組； 4、numpy中沒有x.type()的用法，只能使用type(x)。 |
1、產生的數組類型爲torch.Tensor； 2、會將tensor放入GPU中進行加速運算（如果有GPU）； 3、導入方式爲import torch，後續通過torch.tensor([1,2])或torch.Tensor([1,2])建立數組； 4、Tensor中查看數組類型既可以使用type(x)，也可以使用x.type()。但是更加推薦採用x.type()，具體原因詳見下文。 |
舉例（以下代碼均在Jupyter Notebook上運行且通過）：
numpy：
import numpy as np
x = np.array([1,2])
#之所以這麼寫，是爲了告訴大家，在Jupyter Notebook中，是否帶有print()函數打印出來的效果是不一樣的~
x #array([1, 2])
print(x) #[1 2]
type(x) #numpy.ndarray
print(type(x)) #<class 'numpy.ndarray'>
#注意：numpy中沒有x.type()的用法，只能使用type(x)！！！
Tensor：
import torch #注意，這裏是import torch，不是import Tensor！！！
x = torch.tensor([1,2])
x #tensor([1, 2])
print(x) #tensor([1, 2])，注意，這裏與numpy就不一樣了!
type(x) #torch.Tensor
print(type(x)) #<class 'torch.Tensor'>
x.type() #'torch.LongTensor'，注意：numpy中不可以這麼寫，會報錯！！！
print(x.type()) #torch.LongTensor，注意：numpy中不可以這麼寫，會報錯！！！
numpy與Tensor在使用上還有其他差別。由於不是本文的重點，故暫不詳述。後續可能會更新~
二、torch.tensor與torch.Tensor的區別
細心的讀者可能注意到了，通過Tensor建立數組有torch.tensor([1,2])或torch.Tensor([1,2])兩種方式。那麼，這兩種方式有什麼區別呢？
（1）torch.tensor是從數據中推斷數據類型，而torch.Tensor是torch.empty(會隨機產生垃圾數組，詳見實例)和torch.tensor之間的一種混合。但是，當傳入數據時，torch.Tensor使用全局默認dtype(FloatTensor)；
（2）torch.tensor(1)返回一個固定值1，而torch.Tensor(1)返回一個大小爲1的張量，它是初始化的隨機值。
import torch #注意，這裏是import torch，不是import Tensor！！！
x = torch.tensor([1,2])
x #tensor([1, 2])
print(x) #tensor([1, 2])，注意，這裏與numpy就不一樣了!
type(x) #torch.Tensor
print(type(x)) #<class 'torch.Tensor'>
x.type() #'torch.LongTensor'，注意：numpy中不可以這麼寫，會報錯！！！
print(x.type()) #torch.LongTensor，注意：numpy中不可以這麼寫，會報錯！！！
y = torch.Tensor([1,2])
y #tensor([1., 2.])，因爲torch.Tensor使用全局默認dtype(FloatTensor)
print(y) #tensor([1., 2.])，因爲torch.Tensor使用全局默認dtype(FloatTensor)
type(y) #torch.Tensor
print(type(y)) #<class 'torch.Tensor'>
y.type() #'torch.FloatTensor'，注意：這裏就與上面不一樣了！tensor->LongTensor，Tensor->FloatTensor！！！
print(y.type()) #torch.FloatTensor，注意：這裏就與上面不一樣了！tensor->LongTensor，Tensor->FloatTensor！！！
z = torch.empty([1,2])
z #隨機運行兩次，結果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]])
print(z) #隨機運行兩次，結果不同：tensor([[0., 0.]]),tensor([[1.4013e-45, 0.0000e+00]])
type(z) #torch.Tensor
print(type(z)) #<class 'torch.Tensor'>
z.type() #'torch.FloatTensor'，注意：empty()默認爲torch.FloatTensor而不是torch.LongTensor
print(z.type()) #torch.FloatTensor，注意：empty()默認爲torch.FloatTensor而不是torch.LongTensor
#torch.tensor(1)、torch.Tensor(1)和torch.empty(1)的對比：
t1 = torch.tensor(1)
t2 = torch.Tensor(1)
t3 = torch.empty(1)
t1 #tensor(1)
print(t1) #tensor(1)
type(t1) #torch.Tensor
print(type(t1)) #<class 'torch.Tensor'>
t1.type() #'torch.LongTenso'
print(t1.type()) #torch.LongTensor
t2 #隨機運行兩次，結果不同：tensor([2.8026e-45]),tensor([0.])
print(t2) #隨機運行兩次，結果不同：tensor([2.8026e-45]),tensor([0.])
type(t2) #torch.Tensor
print(type(t2)) #<class 'torch.Tensor'>
t2.type() #'torch.FloatTensor'
print(t2.type()) #torch.FloatTensor
t3 #隨機運行兩次，結果不同：tensor([0.]),tensor([1.4013e-45])
print(t3) #隨機運行兩次，結果不同：tensor([0.]),tensor([1.4013e-45])
type(t3) #torch.Tensor
print(type(t3)) #<class 'torch.Tensor'>
t3.type() #'torch.FloatTensor'
print(t3.type()) #torch.FloatTensor
上文提到過，對於Tensor，更推薦採用x.type()來查看數據類型。是因爲x.type()的輸出結果爲'torch.LongTensor'或'torch.FloatTensor'，可以看出兩個數組的種類區別。而採用type(x)，則清一色的輸出結果都是torch.Tensor，無法體現類型區別。
PyTorch是個神奇的工具，其中的Tensor用法要遠比numpy豐富。大家可以在練習中多多總結，逐漸提高~
加油~！