pytorch框架语法学习（1）——多维矩阵（tensor）
在运用python编程时，总会遇到tensor张量，例如reshape（2，3，4，4）等多维矩阵。下面进行详细讲解。
下面展示一些 内联代码片。
// 生成一个（2，3，4，4）
import torch
mask=torch.arange(96)
mask = mask.reshape(2,3,4,4)
print（mask）
结果如下：
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],[24, 25, 26, 27],[28, 29, 30, 31]],[[32, 33, 34, 35],[36, 37, 38, 39],[40, 41, 42, 43],[44, 45, 46, 47]]],[[[48, 49, 50, 51],[52, 53, 54, 55],[56, 57, 58, 59],[60, 61, 62, 63]],[[64, 65, 66, 67],[68, 69, 70, 71],[72, 73, 74, 75],[76, 77, 78, 79]],[[80, 81, 82, 83],[84, 85, 86, 87],[88, 89, 90, 91],[92, 93, 94, 95]]]])
从结果可以看出，(2,3,4,4)tensor可以理解为矩阵的嵌套，最基本的形状为4x4的矩阵，3个4x4的矩阵构成一级嵌套矩阵，2个一级嵌套矩阵构成一个二级嵌套矩阵。如果这里有更多的维度，假若为（5,2,3,4,4),则这里表示的是5个二级嵌套矩阵组成的三级矩阵。这个三级矩阵有5行3列组成，其中每个元素为（3,4,4）的矩阵。（3,4,4）是由3个（4,4）的矩阵组成的矩阵。具体参见以下程序：
// An highlighted block
mask=torch.arange(48)
mask = mask.reshape(3,4,4)
print（mask）
结果如下：
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],[24, 25, 26, 27],[28, 29, 30, 31]],[[32, 33, 34, 35],[36, 37, 38, 39],[40, 41, 42, 43],[44, 45, 46, 47]]])
怎么取用其中的元素呢？
这里还以(2，3,4,4)矩阵为例进行说明：
下面展示一些 内联代码片。
// An highlighted block
#选取(2，3,4,4)矩阵的第0行，即以4x4矩阵作为元素构成的2行3列矩阵中的第0行。
mask[0]
print（mask[0]）
#结果如下所示
#选取(2，3,4,4)矩阵的第0行的第1个元素（这里的元素代表4x4的矩阵）
mask[0][1]
print（mask[0][1]）
#选取(2，3,4,4)矩阵的第0行的第1个元素（这里的元素代表4x4的矩阵）矩阵的第2行。
mask[0][1][2]
print（mask[0][1][2]）
#选取(2，3,4,4)矩阵的第0行的第1个元素（这里的元素代表4x4的矩阵）矩阵的第2行中的第3个元素。结果如下：
