包torch包含了多维疑是的数据结构及基于其上的多种数学操作。
torch包含了多维张量的数据结构以及基于其上的多种数学运算。此外，它也提供了多种实用工具，其中一些可以更有效地对张量和任意类型进行序列化的工具。
它具有CUDA的对应实现，可以在NVIDIA GPU上进行张量运算(计算能力>=3.0)
torch.is_tensor(obj):如果obj是一个pytorch张量，则返回True
torch.is_storage(obj):如果obj是一个pytorch storage对象，则返回True
torch.numel(input):返回input张量中的元素个数。
a = torch.ones([1,2]) b = torch.ones([1,2]) z = torch.cat([a,b],1) a Out[47]: tensor([[1., 1., 1., 1.]]) a Out[48]: tensor([[1., 1.]])
如果第二个参数是1，torch.cat就是将a,b 按列放在一起，大小为torch.Size([1,4])。如果第二个参数是0，则按行
行放在一起，大小为 torch.Size([2, 2]) 。
字面理解：torch.cat是将两个张量（tensor）拼接在一起，cat是concatenate的意思，即拼接，联系在一起。
例子理解：
import torch A = torch.ones(2,3) A #tensor([[1., 1., 1.], # [1., 1., 1.]]) B=2*torch.ones(4,3) B #tensor([[2., 2., 2.], # [2., 2., 2.], # [2., 2., 2.], # [2., 2., 2.]]) C = torch.cat((A,B),0) #按维数0（添加到行）拼接 C #tensor([[1., 1., 1.], # [1., 1., 1.], # [2., 2., 2.], # [2., 2., 2.], # [2., 2., 2.], # [2., 2., 2.]])
D = 2*torch.ones(2,4) M = torch.cat((A,D),1) # 按维数1（列）拼接 M #tensor([[1., 1., 1., 2., 2., 2., 2.], # [1., 1., 1., 2., 2., 2., 2.]]) M.size() #torch.Size([2, 7])
使用torch.cat((A,B),dim)时，除拼接维数dim数值可不同外其余维数数值需相同，方能对齐
