• Torch裡非常重要的結構Tensor（張量），類似於Python用的Numpy
  
  宣告Tensor的格式如12行，列印a可以得到一個5x3的矩陣，這裡的沒有賦初值，但是Torch也會隨即賦值的，具體的就跟c++裡面的生命了變數雖沒有初始化，但是還是會有值一樣。
  
  接著我們呼叫rand隨即初始化矩陣的值（注意這裡跟我上面說的隨即初始化的區別）。
  
  也可以直接呼叫隨即初始化Tensor的值，如16行的程式碼，與a的隨即初始化5x3矩陣是一樣的，這裡b是3x4矩陣。
  
  矩陣的乘實現的第一種方法
  
  矩陣的乘實現的第二種方法
  
  矩陣的乘實現的第三種方法，這種方法是先宣告一個5x3乘以3x4矩陣生的5x4舉證的Tensor變數c後，用變數c呼叫mm（）方法進行乘運算，最後將結果儲存到了c中，當然也可以用如下方式儲存
  
  這種方式儲存的不需要宣告d為5x4的矩陣，直接使用即可，跟matlab特別像。
  

price = torch.Tensor{28993, 29110, 29436, 30791, 33384, 36762, 39900, 39972, 40230, 40146}


這是自己定義Tensor的值輸入10個整型值，列印price，注意這時它只是一個有10資料的Tensor。

對比這兩張圖片，第一張是有10個數據的Tensor，第二張是10x1的矩陣，也可以成為列向量（神經網路經常用到），是呼叫了reshape（）方法轉換的，它們看著一樣本質上是不一樣的！

這時再次呼叫reshape（）方法生產的2x5矩陣，值得注意的是，現在雖然呼叫了兩次reshape（），但是原來的price還是10個數據的Tensor，如下圖22行，在經過2次reshape（）運算後price沒有變化。

可以使用賦值語句將10x1的向量儲存到price_vec中，當然也可以一直用price:reshape(10,1)來表示10x1向量，就是程式碼長一些。

如果想輸出1到10這樣的類似於列舉型資料時，可以呼叫range（）方法，再次提醒這樣初始化的還是一個Tensor，而非運算時候的矩陣或者向量，要用reshape轉換。