数据操作
张量( t e n s o r tensor tensor)表示一个数值组成的数组,这个数组可能有多个维度。
import torch
x = torch.arange(12) #生成0-11的一个向量:tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
我们可以通过张量的 s h a p e shape shape属性来访问张量的形状和张量元素的总数
x.shape #形状:torch.Size([12])
x.numel #元素总数:12
要改变一个张量的形状而不改变元素数量和元素值,我们可以调用 r e s h a p e reshape reshape函数
x.reshape(3,4)
'''
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
'''
使用全0、全1、其他常量或者从特定分布中随机采样的数字
torch.zeros((2,3,4))#形状为(2,3,4)的全0数组
torch.ones((2,3,4))#形状为(2,3,4)的全1数组
通过提供包含数值的 P y t h o n Python Python列表(或者嵌套列表)来为所需张量中的每个元素赋予确定值
print(torch.tensor([[2,1,4,3],[1,2,3,4]]))
'''
tensor([[2, 1, 4, 3],
[1, 2, 3, 4]])
'''
常见的标准算数原算法( + 、 − 、 ∗ 、 / 、 ∗ ∗ +、-、*、/、** +、−、∗、/、∗∗)都可以被升级为按元素运算
x = torch.tensor([1,2,4,8])
y = torch.tensor([2,2,2,2])
print(x**y) # **运算是求幂运算
#输出:tensor([ 1, 4, 16, 64])
t o r c h . e x p ( x ) torch.exp(x) torch.exp(x):按按元素方式做指数运算
把多个张量连接在一起
import torch
x = torch.arange(12,dtype=torch.float32).reshape(3,4)
y = torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
z1 = torch.cat((x,y),dim=0)#按照第一个维度合并数组,dim=0按行合并
z2 = torch.cat((x,y),dim=1)#按照第二个维度合并数组,dim=1按列合并
print(z2)
'''
x:
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
y:
tensor([[2., 1., 4., 3.],
[1., 2., 3., 4.],
[4., 3., 2., 1.]])
z1:
tensor([[2., 1., 4., 3.],
[1., 2., 3., 4.],
[4., 3., 2., 1.]])
z2:
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]])
'''
通过逻辑元素构建二元张量
x==y
'''
tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])
'''
对张量中的所有元素进行求和,产生一个只有一个元素的张量
x.sum() #tensor(66.)
即使形状不同,任可以通过调用广播机制来执行元素操作
a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape((1,2))
a+b#a按列复制成(3,2)的数组,b按行复制成(3,2)的数组,再进行相加
'''
a:
tensor([[0],
[1],
[2]])
b:
tensor([[0, 1]])
a+b:
tensor([[0, 1],
[1, 2],
[2, 3]])
'''
可以使用 [ − 1 ] [-1] [−1]选择最后一个元素,可以使用 [ 1 : 3 ] [1:3] [1:3]选择第二个和第三个元素
x = torch.arange(12,dtype=torch.float32).reshape(3,4)
'''
x:
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
'''
x[-1] # tensor([ 8., 9., 10., 11.])
x[1:3]
'''
tensor([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
'''
为多个元素赋值相同的值,只需要索引所有元素,然后为它们赋值
x[0:2,:] = 12# 第一、二行全赋值为12
运行一些操作可能会导致为新结果分配内存
before = id(y)
y = y+x #之前的y被析构掉了
print(id(y)==before) #False
执行原地操作
z = torch.zeros_like(y)
print('id(z):',id(z))
z[:] = x+y #z中的所有元素赋值为x+y
print('id(z):',id(z))
'''
id(z): 1447042282176
id(z): 1447042282176
'''
核心是对具体的元素进行操作,即z[:]
把原来的 y = y + x y = y+x y=y+x改成 y [ : ] = y + x y [:]= y+x y[:]=y+x也是原地操作
如果后续计算中没有重复使用 x x x,可以使用 x [ : ] = x + y x[:]=x+y x[:]=x+y或者 x + = y x+=y x+=y来减少操作的内存开销
before = id(x)
x += y #之前的y被析构掉了
print(id(x)==before) #True
转换Numpy张量
A = x.numpy()
B = torch.tensor(A)
print(type(A),type(B))
#输出:<class 'numpy.ndarray'> <class 'torch.Tensor'>
将大小为1的张量转换为Python标量
a = torch.tensor([3.5])
a #tensor([3.5000])
a.item() #3.5 <class 'float'>
float(a) #3.5 python的一个浮点数
数据预处理
创建一个人工数据集,并存储在csv(逗号分隔值)文件
import os
os.makedirs(os.path.join('.','data'),exist_ok=True) #创建文件夹,若文件夹已经存在:exist_ok为false时报错
data_file = os.path.join('.','data','house_tiny.csv')
with open(data_file,'w') as f: #打开一个文件只用于写入。如果该文件已存在则将其覆盖。如果该文件不存在,创建新文件
f.write('NumRooms,Alley,Price\n') #列名
f.write('NA,Pave,127500\n') # 每行的数据元素
f.write('2,NA,106000\n')
f.write('4,NA,178100\n')
f.write('NA,NA,140000\n')
从创建的csv文件加载原始数据
import pandas as pd
data = pd.read_csv(data_file)
print(data)
'''
输出:
NumRooms Alley Price
0 NaN Pave 127500
1 2.0 NaN 106000
2 4.0 NaN 178100
3 NaN NaN 140000
'''
为了处理缺失的数据,典型的方法包括插值和删除,这里将考虑插值
inputs,outputs = data.iloc[:,0:2],data.iloc[:,2]
inputs = inputs.fillna(inputs.mean(numeric_only=True))
print(inputs)
'''
NumRooms Alley
0 3.0 Pave
1 2.0 NaN
2 4.0 NaN
3 3.0 NaN
'''
对于inputs中类别值(字符串)或离散值,我们将 “ N a N ” “NaN” “NaN”视作一个类别
inputs = pd.get_dummies(inputs,dummy_na=True)#类似转成one-hot编码
print(inputs)
'''
NumRooms Alley_Pave Alley_nan
0 3.0 1 0
1 2.0 0 1
2 4.0 0 1
3 3.0 0 1
'''
现在inputs和outputs中所有条目都是数值类型,它们可以转换成张量格式
import torch
x,y = torch.tensor(inputs.values),torch.tensor(outputs.values)
print(x,y)
'''
tensor([[3., 1., 0.],
[2., 0., 1.],
[4., 0., 1.],
[3., 0., 1.]], dtype=torch.float64)
tensor([127500, 106000, 178100, 140000])
'''
答疑
b b b赋值为 a a a的 r e s h a p e reshape reshape,相当于创建了 a a a的一个视图(数据库里那个);当对 b b b操作时, a a a也被改变了。
import torch
a = torch.arange((12))
b = a.reshape((3,4))
b[:]=2
print(a)#tensor([2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])