（3）张量和NumPy数据相互转换

Pytorch提供了Numpy数组合Pytorch张量相互转换的函数，非常方便对张量进行相关操作，如将张量转化为Numpy数组，在通过Numpy数组进行相关计算后，可以再次转化为张量，一遍进行张量相关的计算。

将Numpy数组转化为Pytorch张量，可以使用torch.as_tensor()函数和torch.from_numpy()函数，例如：

从上面的代码中得到的张量是64位浮点型数据，这是因为使用numpy生成的数组默认就是64位浮点型数组。 这是因为使用Numpy生成的数组默认就是64位浮点型数组。

针对Pytorch中的张量，使用torch.numpy()函数即可转化为Numpy数组。

（4）随机数生成张量

在pytorch中还可以通过相关随机数来生成张量，并且可以指定生成随机数的分布函数等。在生成随机数之前，可以使用torch.manual_seed()函数，指定生成随机数的种子，用于保证生成的随机数是可重复出现的。如使用torch.normal()生成服从正态（0,1）分布的随机数：

在torch.normal()函数中 ，通过mean参数指定随机数的均值，std参数指定随机数的标准差，如果mean参数和std参数都只会有一个元素这会生成一个随机数；如果mean参数和std参数有多个值，这可以生成多个随机数，例如：

上面的例子中，每个随机数服从的分布均值都是0，但是他们分布的标准差则分别是1，2,3,4.当然也可以分别制定每个随机数服从的均值， 例如：

 上面的例子中，每个随机数服从的分布均值分别是1,2,3,4，分布的标准差也分别为1,2,3,4.

也可以使用torch.rand()函数，在区间[0,1]上生成服从均匀分布的张量：

 而torch.rand_like函数，这可根据其他张量维度，生成预期维度相同的随机数张量，例如：

使用torch.randn()和torch.randn_like()函数则可生成服从标准正态分布的随机数张量，例如：

 使用torch.randperm(n)函数，这可将0~n(包含0不包含n)之间的整数进行随机排序后输出，例如：将0~9这10个数字重新随机排序后输出，可使用如下程序：

 （5）其它生成张量的函数

在pytorch中包含和np.arrange()用法相似的函数torch.arange()，常常用来生成张量，例如：

 在torch.arange()中，参数start指定开始，参数end指定结束，参数step这指定步长。可食用torch.linepace(）函数在范围内生成固定数量的等间隔张量，例如：

 torch.logspace()函数则可生成以对数为间隔的张量，例如：

输出结果和10**(torch.linespace(start=0.1,end=1,steps=5))等价。同时pytorch中还包含很多预定义的函数，用于生成特定的张量。如下所示

函数	描述
torch.zeros(3,3)	3*3的全零张量
torch.ones(3,3)	3*3的全1张量
torch.eye(3)	3*3的单位向量
torch.full((3,3),fill_value=0.25)	3*3使用0.25填充的张量
torch.empty(3,3)	3*3的空张量