pytorch10.16 pandas linear-algebra

NumRooms Alley
0       3.0  Pave
1       2.0   NaN
2       4.0   NaN
3       3.0   NaN

print(np.mean(inputs,1))#压缩列，变成1*n
print(np.mean(inputs,0))#压缩列，变成n*1

 为什么会

0    3.0
1    2.0
2    4.0
3    3.0
dtype: float64
NumRooms    3.0
dtype: float64

 我们将这些标量值称为向量的元素（element）或分量（component）。 通常将向量记为粗体、小写的符号 （例如，𝐱、𝐲和𝐳）。向量是一阶张量，矩阵是二阶张量。 张量用特殊字体的大写字母表示（例如，𝖷、𝖸和𝖹）

 两个矩阵的按元素乘法称为Hadamard积（Hadamard product）A * B

 将张量乘以或加上一个标量不会改变张量的形状，其中张量的每个元素都将与标量相加或相乘。

求和axis=0求出来的结果是行，axis=1求出来的结果是列

沿着行和列对矩阵求和，等价于对矩阵的所有元素进行求和。

A.sum(axis=[0, 1])  # SameasA.sum()

计算元素总数 A.numel

但是，有时在调用函数来[计算总和或均值时保持轴数不变]会很有用。keepdim=Ture

如果我们想沿[某个轴计算A元素的累积总和]， 比如axis=0（按行计算），我们可以调用cumsum函数。 此函数不会沿任何轴降低输入张量的维度。结果按照axis的值来显示。0行1列

点积torch.dot(x, y)   两个向量之间的运算

当我们为矩阵A和向量x调用torch.mv(A, x)时，会执行矩阵-向量积。 注意，A的列维数（沿轴1的长度）必须与x的维数（其长度）相同。  矩阵与向量的运算

torch.mm(A, B)  矩阵与矩阵的乘法

 𝐿2范数是向量元素平方和的平方根：torch.norm(u)

𝐿1范数，它表示为向量元素的绝对值之和：torch.abs(u).sum()

 Frobenius范数（Frobenius norm）是矩阵元素平方和的平方根：torch.norm(torch.ones((4, 9)))