学 PyTorch 时，第一个绕不开的概念就是 Tensor。
很多人会把它翻译成“张量”，这个词听起来有点硬。但从代码角度看，可以先把 Tensor 理解成更通用的数组。
它可以是一组数字，也可以是一张表，还可以是一批图片。
从数字到 Tensor
一个普通数字可以看成 0 维 Tensor：
import torch
x = torch.tensor(3.0)一组数字可以看成 1 维 Tensor：
x = torch.tensor([1.0, 2.0, 3.0])一个矩阵可以看成 2 维 Tensor：
x = torch.tensor([
[1.0, 2.0],
[3.0, 4.0],
])如果是一批图片，维度可能更多，比如：
[batch, channel, height, width]这就是深度学习里常见的四维 Tensor。
Tensor 为什么重要
在 PyTorch 里，几乎所有东西都会变成 Tensor。
训练数据是 Tensor，模型参数是 Tensor，中间计算结果是 Tensor，梯度也是 Tensor。
如果你理解了 Tensor 的形状和流动方式，很多模型代码就会清楚很多。
shape 是第一重点
看 Tensor 时，最重要的是看它的 shape。
比如：
x = torch.randn(32, 784)
print(x.shape)这里的 32 通常表示 batch size，784 可能表示每个样本的特征数量。
很多 PyTorch 报错，本质上都是 shape 对不上。
比如 Linear 层期待输入是 [batch, in_features]，但你传进去的是别的形状，就会报维度错误。
Tensor 和 NumPy 有点像
如果你学过 NumPy，会发现 Tensor 和 ndarray 很像。
它们都可以做矩阵计算、切片、广播、变形。
但 PyTorch Tensor 有两个特别重要的能力：
- 可以放到 GPU 上计算
- 可以记录梯度，支持自动求导
这也是它能用于深度学习训练的关键。
常见操作
几个入门阶段最常用的操作：
x = torch.randn(2, 3)
x.shape
x.reshape(3, 2)
x.to("cuda")
x.float()
x.mean()
x.sum()这些操作不需要一次性背完，但要慢慢熟悉。
尤其是 reshape、to(device)、float()，在训练代码里非常常见。
小结
Tensor 是 PyTorch 的基础数据对象。
先别被“张量”这个名字吓到。你可以把它理解成可以参与深度学习计算的多维数组。
学 PyTorch 时，多看 shape，多跟踪数据从输入到模型输出的变化，很多问题都会变得清楚。