pytorch和tensorflow的愛恨情仇之基本數據類型：https://www.cnblogs.com/xiximayou/p/13759451.html
pytorch版本：1.6.0
tensorflow版本：1.15.0
基本概念：標量、一維向量、二維矩陣、多維張量。
1、pytorch中的張量
（1）通過torch.Tensor()來建立常量
這里有兩種張量，一種是直接通過toch.Tensor()建立的，另一種是 Variable()建立的，它們的區別是：在新版本的torch中可以直接使用tensor而不需要使用Variable。
在舊版本中Variable和Tensor的區別在於，Variable可以進行誤差的反向傳播，而Tensor不可以。
Variable默認的requires_grad也是False。
我們接下來看看使用torch.Tensor()來看看例子：
對於常量，是不能夠在聲明指定其需要梯度計算的，如下所示：
為什么使用torch.Tensor()不可以直接指明requires_grad=True呢，但是可以通過顯示指定a.requires_grad=True。我的理解是常量和變量之間是可以互相轉換的，當將requires_grad通過(數據.requires_grad=True)后，該常量已經變成了變量。
（2）通過from torch.autograd import Variable來建立變量
我們傳入的值就不能是一個列表了，需要一個張量，我們可以這么做：
這也可以說明常量是可以轉換為變量的。但需要注意的是由常量轉換而來的變量就不是原來的常量了：
（3） 通過torch.tensor()更加靈活的建立常量和變量
我們還需要注意的是使用torch,Tensor()和torch.tensor()以及Variable()區別：這里可以直接傳入一個列表啦
我們也可以直接使用torch.tensor()來定義一個變量，通過指定requires_grad來標明該變量是否能夠進行梯度計算並進行更新。
2、tensorflow中的張量
在tensorflow中，可以通過tf.consatnt()和tf.Variable()來建立張量，與pytorch舊版本類似的是，tf.constant()對應torch.Tensor()，tf.Variable()對應torch.Variable()，tf.constant創建的是常數，tf. Variable創建的是變量。變量屬於可訓練參數，在訓練過程中其值會持續變化，也可以人工重新賦值，而常數的值自創建起就無法改變。
其中tf.assign()是將b的值賦值給a，因為a是常量，因此不可改變，就會報該錯誤，再看下面一個例子：
我們將10賦值給state，然后新建了一個變量state_。state是一個變量，這樣是沒有問題的，這樣的話在訓練的過程中我們就可以不斷地更新參數了。 再看一個例子：
在這種情況下，我們僅僅只是將a指向的值改為指向b，並沒有真正修改a的值。
如果我們像pytorch那樣將常量轉換為變量：
會發現，其實是新建了一個變量，並不是將原始的常量變為了變量、
如果有什么錯誤還請指出，有什么遺漏的還請補充，會進行相應的修改。