深度学习李沐第一节-数据操作

（1）N维数组
0-d 标量、1-d向量、2-d矩阵、3-d RGB图片(宽x高x通道).....
（2）代码实战

① 新建一个张量。

张量表示一个数值组成的数组，这个数组可能是多个维度。

② 通过shape属性来访问张量的形状 和 张量中元素的总数。

③ 要改变一个张量的形状，而不改变元素的数量和元素值，我们可以通过reshape函数。

④ 使用全0、全1、其他常量或从特定分布中随机采样的数字。

⑤ 通过提供包含数值的Python列表来为所需张量中的每个元素赋予确定值。

⑥ 常见的标准算术运算

2、广播机制

①① 可以用[-1] 选择最后一个元素，用[1:3]选择第二个和第三个元素。

①② 可以通过指定索引来将元素写入矩阵

①④  一些操作可能会导致为新结果分配内存

 

4、数据预处理
（1）创建人工数据集，并存储在csv文件

（2）填充缺失值。

使用均值、中位数或众数填充或删除

11、自动求导

自动求导通常基于两种模式：前向模式和反向模式。

12、梯度

调用一个Tensor的.backward()方法时，PyTorch会沿着这个DAG反向传播求梯度。

.detach()和torch.no_grad()

• .detach()方法用于将Tensor从计算图中分离出来，返回一个与原Tensor相同但不再需要梯度的Tensor。
• torch.no_grad()是一个上下文管理器，可以在执行代码块时暂时禁用梯度计算。

代码：

import torch  
  
# 定义变量，requires_grad=True表示需要计算梯度  
x = torch.tensor([2.0, 3.0], requires_grad=True)  
y = torch.tensor([4.0, 1.0], requires_grad=True)  
  
# 执行操作  
z = x * y  
  
# 反向传播前，需要定义一个标量（scalar）作为目标函数，这里我们取z的和  
out = z.sum()  
  
# 反向传播，计算梯度  
out.backward()  
  
# 打印梯度  
print(x.grad)  # 输出: tensor([4., 1.])，即dz/dx  
print(y.grad)  # 输出: tensor([2., 3.])，即dz/dy