第一塊：

squeeze(),主要是對(duì)數(shù)據(jù)的維度進(jìn)行壓縮，去掉元素?cái)?shù)為1的那個(gè)維度，使用方式：a.squeeze(N) or torch.squeeze(a,N) ，去掉a的第N維度，以此來(lái)實(shí)現(xiàn)數(shù)據(jù)a的維度壓縮；

unsqueeze()與squeeze()函數(shù)功能相反，其功能是對(duì)數(shù)據(jù)維度進(jìn)行擴(kuò)充，使用方式：a.unsqueeze(N) or torch.unsqueeze(a,N)，在數(shù)據(jù)a的第N維度上增加一個(gè)維數(shù)為1的維度，以此實(shí)現(xiàn)對(duì)數(shù)據(jù)的擴(kuò)充，方便后續(xù)模型訓(xùn)練喂入模型的數(shù)據(jù)的維度和模型接收數(shù)據(jù)的維度是匹配的。

第二塊：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model.to(device) # 選擇第0個(gè)cuda

model.to(device)

以上兩行代碼放在讀取數(shù)據(jù)之前。

mytensor = my_tensor.to(device) #將所有最開始讀取數(shù)據(jù)時(shí)的tensor變量copy一份到device所指定的GPU上，之后運(yùn)算都在指定的GPU上進(jìn)行。這些tensor多是最開始讀取數(shù)據(jù)時(shí)的變量，后面其衍生出的新變量也會(huì)在已指定的GPU上運(yùn)行計(jì)算。

第三塊：

Tensor & Numpy 都是矩陣，區(qū)別在與Tensor可以在GPU上運(yùn)行，Numpy只能在CPU上運(yùn)行。（天吶，我現(xiàn)在才知道！）Tensor與Numpy互相轉(zhuǎn)化很方便，類型也比較兼容，Tensor可以直接通過print顯示數(shù)據(jù)類型，而Numpy不可以。

第四塊：

x.aadd(y) 實(shí)現(xiàn)x與y Tensor的相加，不改變x，返回一個(gè)新的Tensor

x.add_(y)? 實(shí)現(xiàn)x與y Tensor的相加，會(huì)修改x的維數(shù)