我们在学习深度学习或者线性代数数学的时候，肯定会听到转置这个概念。百科上的解释是，直观来看，将A的所有元素绕着一条从第1行第1列元素出发的右下方45度的射线作镜面反转，即得到A的转置。这个直观看起来就不那么直观，不过还有一句话简单扼要，行列互换。

文字描述特别是数学上的定义描述，往往给我们的感觉是把原来我们可以明白的东西整得不明白了。正好创建了Pytorch的虚拟环境，所以我们不妨借着学习深度学习的名义来把玩一下Pytorch的功能。

我们之前安装了Pytorch，也测试成功了。所以我们可以创建Tensor了，打开Ubuntu的终端，然后切换到虚拟环境，进入Python环境，开动。比如我想创建一个5*3的未初始化Tensor，命令就是x = torch.empty(5, 3)。当然我们还是创建一个有点方便的Tensor，比如创建一个随机的x = torch.rand(5, 3)，这样看着舒服。也方便我们观察。

有了Tensor，我们就可以对它进行各种操作了。比如深度学习里经常用到大名鼎鼎的转置，就已经被内置到Pytorch函数了。我们可以通过t函数。上面我们创建了x的Tensor，那么想转置下，可以z_t = x.t()命令，将转置后的Tensor赋给z_t，然后打印出z_t就能看到不同了，列变行，行转列，原来是4*3，现在是3*4。就跟转个角度翻了个个一样。

另外我们要知道，转置是针对2D张量而言的，如果你创建了一个高于二维的，比如你设置x = torch.rand(5,4,6)，再想x_t = x.t()，那么就会报错。系统不允许你高维转置。

当然这个只是一个非常简单的常识。不过以小见大，很多线性代数函数都已经被内置到深度学习框架Pytorch里了。比如我们可以inverse求逆矩阵。顾名思义需要是矩阵。这个对Tensor也有要求，必须是方形矩阵。比如我们可以用diag获取对角线元素。这是对单个Tensor的操作，还有的线性代数函数，则是两种Tensor的二元操作。比如内积（点积）。这个需要两个Tensor，不过它也有要求，就是必须是1D的。所以我们之前那些2D的矩阵就不能用了。我们可以创建1D的Tensor，而且个数要相同，比如创建x = torch.rand(3)和y = torch.rand(3)这样才能运行x_y = x.dot(y)命令执行内积计算，也就是a1b1+a2b2+...+anbn的计算了。