- 开头第二段 “感觉怼本部分很熟悉” typo: 怼 -> 对
- 2.1.2. 运算 第二段 u_i$ 前面少 $
- 2.1.2. 运算，有句话重复了？——“我们也可以把多个张量连结在一起，把它们端对端地叠起来形成一个更大的张量。 我们也可以 连结 （concatenate） 多个张量在一起，将它们端到端堆叠以形成更大的张量。”
-
2.1.6. 转换为其他 Python 对象 “当你在 CPU 或 GPU 上执行操作的时候，此时Python的NumPy包也希望使用相同的内存块执行其他操作时，你不希望停止计算。” 这句话或许可以将原文的等待(waiting to see whether) 也翻译出来？（可能只是我看中文版的这句话没怎么看懂
）
前面y = x.reshape(3, 4)
后面
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
没闹明白，为啥有的时候用reshape()，有时候用reshape(()),运行结果也没看出区别
torch文档里：torch.reshape`( input, shape) → Tensor
input的数据是Tensor类型.
shape是期望新的shape.
我是这么理解的：
y = x.reshape(3, 4)是torch下的tensor实例对象x的方法，a = torch.arange(3).reshape((3, 1))里面用的是torch文档里的方法。
两个方法只是形式看起来不一样：对于对象x的实例方法,当在python类里每次定义方法时都需要绑定这个实例self,就是reshape(self, shape),因为实例方法的调用离不开实例,我们需要把实例自己传给函数,调用的时候是这样的x.reshape()，其实就相当于是reshape(x, shape)
您好，
用pytorch的时候，您的书里面说：
“转换为 NumPy 张量很容易，反之也很容易。转换后的结果不共享内存“
但pytorch documentation说：
“Tensors on the CPU and NumPy arrays can share their underlying memory locations, and changing one will change the other.”
似乎最新版pytorch里的numpy()和from_numpy()会共享内存。英文版的书里也有这个问题。
you are right,they share same 内存
.numpy和.from_numpy方法是可以共享内存的，但如果使用torch.tensor(ndarray)由numpy数组生成tensor，就不会共享内存。
有时我们想从某个概率分布中随机采样来得到张量中每个元素的值。例如，当我们构造数组来作为神经网络中的参数时，我们通常会随机初始化参数的值。以下代码创建一个形状为 (3, 4) 的张量。其中的每个元素都从均值为0、标准差为1的标准高斯（正态）分布中随机采样。
torch.randn(3, 4)
tensor([[ 2.1173, -0.3256, -0.9538, -0.6639], [ 0.3116, -0.2538, -0.8779, 0.1701], [ 0.8984, -0.1042, -0.7746, 0.3877]])
这里生成的是随机数据，不是正态数据
torch.randn returns a tensor filled with random numbers from a normal distribution with mean 0 and variance 1 (also called the standard normal distribution).
https://pytorch.org/docs/stable/generated/torch.randn.html?highlight=randn#torch.randn
兄弟别搞错了，标准正态分布，不是说数据只能在-1， 0，1之间，数据是有可能落到大于1，小于-1的地方的
然inplace 操作更加符合性能需求，python为何不直接默认了呢？而是搞出一些 X +=Y 和 Z[:] =X + Y 这样的需要甄别的骚操作？在大规模的计算过程中，将矩阵修改为原地操作会是提升性能的一个小trick吗？
默认还得了。。。。原地修改只是一种策略罢了，又不是所有操作都要求原地修改？语言层面的东西因为你一个计算就称为骚操作？
“首先，可以使用 arange 创建一个行向量 x 。这个行向量包含从0开始的前12个整数，它们被默认创建为浮点数。” 不是默认创建为64int吗？
可能是作者疏忽了吧，其他创建张量方法一般都是float32,已经写习惯了。
应该是函数的重载吧，主要就是为了方便实用来的，你可以 help(torch.reshape)查看文档，和这个用法差不多
感谢你的回答，我再次总结了一下。看下面的代码
X = torch.tensor([1.0, 2, 4, 8])
print(id(X))
A = X.numpy()
print(id(A))
X.add_(1), A
输出
140487850431104 140487850554928 (tensor([2., 3., 5., 9.]), array([2., 3., 5., 9.], dtype=float32))
虽然,X和A的地址不一样，但共享内存更新X会改变A。而要把一个numpy转为tensor
a = numpy.ones(5)，
方法一 b = torch.tensor(a) 相当于创建一个新tensor，不会共享内存
方法二 b = torch.from_numpy(a) 相当于从获取numpy中的值，会共享内存
故.numpy和from_numpy会共享内存，torch.tensor不会共享内存
2.1.6这一句话，确实没怎么懂，到底我们训练模型时，需要使用同一块内存，还是不使用同一块内存呢？ 我理解的是相同的数据不使用同一块内存效率更高，不晓得对不对? 同一数据numpy中array格式转化为torch中tensor格式，内存地址确实变了的。
torch.reshape(input, shape)函数中两个参数的类型：
Args:
input (Tensor): the tensor to be reshaped
shape (tuple of ints): the new shape
shape是整数的元组，而元组可以写为(a,b)也可以写为a,b，并且input.reshape(shape)这种形式实际上调用的是torch.reshape(input,shape)。这样应该就可以理解了。