前言
张量（Tensor）是PyTorch的核心数据结构，掌握其高频操作是入门PyTorch的关键。本文精选10个最常用的张量操作，按「运算、索引切片、设备迁移」三大类整理，所有代码均可直接运行，结果直观易懂。
一、张量运算（3 个核心操作）
1. 算术运算（加减乘除）
PyTorch张量支持直观的算术运算，可直接用运算符（+、-、*、/）或对应函数，运算规则与NumPy类似。
import torch # 初始化两个张量 a = torch.tensor([1, 2, 3]) b = torch.tensor([4, 5, 6]) # 算术运算 add = a + b # 加法 sub = a - b # 减法 mul = a * b # 乘法（元素级） div = a / b # 除法（元素级） print("加法结果：", add) print("减法结果：", sub) print("乘法结果：", mul) print("除法结果：", div)运行结果：
加法结果： tensor([5, 7, 9]) 减法结果： tensor([-3, -3, -3]) 乘法结果： tensor([ 4, 10, 18]) 除法结果： tensor([0.2500, 0.4000, 0.5000])2. 矩阵乘法（torch.matmul）
矩阵乘法是深度学习核心运算（如神经网络全连接层），需注意张量维度匹配，torch.matul支持标量、向量、矩阵的乘法，兼容性优于torch.mm。
# 二维矩阵乘法（核心场景） x = torch.tensor([[1, 2], [3, 4]]) # 2×2 y = torch.tensor([[5, 6], [7, 8]]) # 2×2 matmul_2d = torch.matmul(x, y) # 向量×矩阵（广播兼容） vec = torch.tensor([1, 2]) # 1×2 matmul_vec_mat = torch.matmul(vec, x) print("二维矩阵乘法：\n", matmul_2d) print("向量×矩阵：", matmul_vec_mat)运行结果：
二维矩阵乘法： tensor([[19, 22], [43, 50]]) 向量×矩阵： tensor([ 7, 10])3. 广播机制
当两个张量维度不同时，PyTorch会自动扩展维度较小的张量（不复制数据），使其匹配维度较大的张量，这就是广播，是简化运算的核心机制。
# 示例1：一维张量（3,）与标量（）广播 c = torch.tensor([1, 2, 3]) scalar = torch.tensor(5) broadcast1 = c + scalar # 示例2：二维张量（2,3）与一维张量（3,）广播 d = torch.tensor([[1, 2, 3], [4, 5, 6]]) e = torch.tensor([10, 20, 30]) broadcast2 = d + e print("标量广播结果：", broadcast1) print("维度扩展广播结果：\n", broadcast2)运行结果：
标量广播结果： tensor([6, 7, 8]) 维度扩展广播结果： tensor([[11, 22, 33], [14, 25, 36]])二、索引与切片（3 个核心操作）
1. 普通索引
与Python列表、NumPy数组索引规则一致，通过「维度下标」取值，支持单元素、连续区间索引。
# 初始化3维张量（2×3×4） tensor = torch.arange(24).reshape(2, 3, 4) print("原始张量：\n", tensor) # 普通索引：取第0个维度、第1行、第2列的元素 single_elem = tensor[0, 1, 2] # 切片：取第1个维度的所有行，第0-2列（左闭右开） slice_part = tensor[1, :, 0:2] print("单元素索引结果：", single_elem) print("切片结果：\n", slice_part)运行结果：
原始张量： tensor([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]]) 单元素索引结果： tensor(6) 切片结果： tensor([[12, 13], [16, 17], [20, 21]])2. 高级索引
通过「索引张量」取不连续的元素，索引张量需为torch.long类型，适用于随机取值场景。
# 初始化2维张量 t = torch.tensor([[1, 2], [3, 4], [5, 6]]) print("原始张量：\n", t) # 高级索引：取第0行第1列、第2行第0列的元素 row_idx = torch.tensor([0, 2]) # 行索引 col_idx = torch.tensor([1, 0]) # 列索引 advanced_idx = t[row_idx, col_idx] print("高级索引结果：", advanced_idx)运行结果：
原始张量： tensor([[1, 2], [3, 4], [5, 6]]) 高级索引结果： tensor([2, 5])3. 掩码索引
通过布尔张量（掩码）筛选满足条件的元素，是深度学习中筛选数据的常用方式（如过滤无效值）。
# 初始化张量 mask_tensor = torch.tensor([10, 2, 15, 3, 20]) print("原始张量：", mask_tensor) # 生成掩码：筛选大于5的元素 mask = mask_tensor > 5 # 掩码索引取值 masked_result = mask_tensor[mask] print("掩码（布尔张量）：", mask) print("掩码索引结果：", masked_result)运行结果：
原始张量： tensor([10, 2, 15, 3, 20]) 掩码（布尔张量）： tensor([ True, False, True, False, True]) 掩码索引结果： tensor([10, 15, 20])三、张量设备迁移（4 个核心操作）
PyTorch张量可在CPU和GPU之间迁移，核心用to()方法，需先确认GPU可用（无GPU则自动用CPU）。
# 1. 初始化CPU张量 cpu_tensor = torch.tensor([1, 2, 3]) print("初始设备：", cpu_tensor.device) # 2. CPU → GPU（若有GPU） if torch.cuda.is_available(): gpu_tensor = cpu_tensor.to("cuda") # 等价于 to(torch.device("cuda")) print("GPU设备：", gpu_tensor.device) # 3. GPU → CPU back_to_cpu = gpu_tensor.to("cpu") print("迁回CPU设备：", back_to_cpu.device) # 4. 直接指定设备编号（多GPU场景） gpu1_tensor = cpu_tensor.to("cuda:0") print("指定GPU编号设备：", gpu1_tensor.device) else: print("无可用GPU，仅演示CPU张量")运行结果（有GPU）：
初始设备： cpu GPU设备： cuda:0 迁回CPU设备： cpu 指定GPU编号设备： cuda:0运行结果（无GPU）：
初始设备： cpu 无可用GPU，仅演示CPU张量总结
张量运算：算术运算为元素级，torch.matmul是矩阵乘法核心，广播机制可自动扩展维度匹配运算；
索引切片：普通索引对标列表操作，高级索引取不连续元素，掩码索引通过布尔张量筛选数据；
设备迁移：to()方法是核心，通过指定"CPU"/"cuda"实现张量在CPU/GPU间迁移，需先判断GPU可用性。
