torch.ones,normal，max

>>> n_data = torch.ones(5, 2)
>>> print(n_data)
    tensor([[1., 1.],
            [1., 1.],
            [1., 1.],
            [1., 1.],
            [1., 1.]])
>>> print(n_data.shape)
torch.Size([5, 2])
>>> x0 = torch.normal(2*n_data, 1)
>>> print(x0)
    tensor([[3.2688, 1.4834],
            [1.8288, 0.7327],   
            [3.2382, 4.0835],
            [2.8337, 2.1901],
            [3.3097, 2.4447]])
#每个元素是从 均值=2*n_data中对应位置的取值，标准差为1的正态分布中随机生成的
     
>>> print(2*n_data)
    tensor([[2., 2.],
            [2., 2.],
            [2., 2.],
            [2., 2.],
            [2., 2.]])

torch.max()[0]， 只返回最大值的每个数

troch.max()[1]， 只返回最大值的每个索引

torch.max()[1].data 只返回variable中的数据部分（去掉Variable containing:）

torch.max()[1].data.numpy() 把数据转化成numpy ndarry

torch.max()[1].data.numpy().squeeze() 把数据条目中维度为1 的删除掉

torch.max(tensor1,tensor2) element-wise 比较tensor1 和tensor2 中的元素，返回较大的那个值