跟着沐神学深度学习DAY1

04 数据操作 + 数据预处理【动手学深度学习v2】

z=torch.zeros_like(Y)

（1）这里zeros_like是用于创建一个与输入张量 Y 形状相同且所有元素都为0的新张量。

（2）X = X + Y是整个矩阵的操作，所以重新分配内存；X[:]，和X+=，都是给X中的元素进行赋值操作，对X矩阵是没有更改的

（3）利用get_dummies（inputs,dummy_na=True）将函数的非数值空值转换为0、1的形式。

（4）reshape不改变地址，b=a.reshape(3,4),如果b发生改变，a也跟着变

05 线性代数【动手学深度学习v2】

（5）torch.dot(x,y)：向量的点积。

（6）torch.mv(x,y)：矩阵向量积，一个长度为m的列向量。

几种常见的范数：

(7)torch.ones () 是 PyTorch 中的一个函数，用于创建一个所有元素都填充为 1 的张量（Tensor）。该函数的主要参数包括：

• size：定义输出张量形状的整数序列。可以是可变数量的参数或像列表或元组这样的集合。
• out：可选，指定输出张量。
• dtype：可选，指定返回张量的数据类型。如果为 None，则使用默认数据类型。
• layout：可选，指定张量的布局，默认为 torch.strided 。
• device：可选，指定张量所在的设备，默认为 CPU。
• requires_grad：可选，布尔值，表示是否需要对张量进行梯度计算，默认为 False。

import torch

# 创建一个2行3列的全1张量
a = torch.ones (2, 3)
print(a)

python中按照特定轴求和

按行求和（axis=1）

result = np.sum (arr, axis=1)
print(result)  # 输出: [6 15 24]

按列求和（axis=0）

result = np.sum (arr, axis=0)
print(result)  # 输出: [12 15 18]

06 矩阵计算【动手学深度学习v2】 

（1） 标量关于列向量的导数是一个行向量。

（2） 列向量关于标量的导数，仍然为列向量。

（3）列向量关于列向量的导数为一个矩阵。

ps:帮助理解（摘自评论区）：

1. 标量求导就不说了，高中常识；
2. y是标量，x是向量的情况。实际上就是y=f(x1,x2,...,xn)的意思。拿y=f(x1,x2)为例解释，有一个三维坐标轴体系，水平面的横轴和竖轴分别是x1、x2，立面上的轴是y，水平面上任意一个点(x1,x2)都对应y轴上的一个点，很明显这就是一个面，因此他的导数是一个向量，所以结果是横着写的。
3. y是向量，x是标量的情况。这实际上就是【y1,y2,...,yn】=【f(x1),f(x2),...,f(xn)】，对x求导就是求出y=yi时那一个点上的斜率，是标量，所以结果是竖着写的。
4. y、x都是向量的情况。根据上面描述，求导实际上就是求出了y=yi时，那一个平面形状边缘上的向量，因此是横着写的。

07 自动求导【动手学深度学习v2】

08 线性回归 + 基础优化算法【动手学深度学习v2】

09 Softmax 回归 + 损失函数 + 图片分类数据集【动手学深度学习v2】