小写字母的tensor接收具体的数据，可以直接按照numpy的方式输入数组。
大写字母的可以接收形状，此时会生成随机数，但没有任何规则。可以生成不同的类型。
自动生成的数据有默认类型，FloatTensor，可以使用torch.set_default_tensor_type去修改
rand：0-1之间均匀采样
randn：均值0，方差1的正态分布随机采样
以上两种可以直接输入形状，即可产生对应形状的随机数。
randint：参数是---起始值、终止值、形状
同时每一个都会有一个_like方法，输入一个tensor，会生成对应形状的新tensor
参数是---形状，数据。如果形状的位置给一个空的list，生成的就是标量。
参数是---起始，终止，步长。不包含终止值。
参数是---起始，终止，数量。包含终止值
输入形状即可。ones和zeros也有_like方法
随机打散。输入一个数字，会自动生成这个数字长度的，从0开始的随机排列数字，可以作为索引。当需要对不同的数据，使用相同的索引，并且打乱顺序时，非常好用。
和python中的索引切片使用方法一致
输入的参数---维度的位置、要选的内容对应的维度的索引。不太好理解，可以看下面的例子。
三个点相当于集成了的连续的冒号。
需要先根据数据生成一个mask，比如挑选出大于等于0.3的数，此时会得到一个和数据相同形状的，满足条件位置是1，不满足条件的位置是0的一个mask，通过masked_select可以选出数据。
和numpy中的reshape方法一样。转换的时候需要考虑到实际的物理意义。
squeeze输入的参数---需要减少的维度所在位置
unsqueeze输入的参数---需要增加的维度所在的位置
expand输入的参数---希望扩展后所形成的维度
repeat输入的参数---各自维度需要重复的次数
通常使用expand，因为不会主动复制数据。
t：和numpy中的转置一样，只针对二维矩阵操作
transpose：输入需要交换的维度的位置即可。但想要还原的时候，需记得转换后的各个位置的物理意义，根据实际意义进行再次转换。见下面的例子。
permute：输入希望转换成的维度的位置索引即可。相当于多次使用transpose
