深度学习 --- 数据操作 & 数据预处理

目录

1.数据操作

N维数组是机器学习和神经网络的主要数据结构

要想用jupyter notebook，就要切换到之前已经配置好的环境中

① shape属性、numel()、reshape()

张量(tensor)表示一个数值组成的数组，这个数组可能有多个维度
用shape属性来访问张量的形状，numel()可用来访问张量中元素的个数
改变一个张量的形状而不改变元素的数量和元素值，我们可以用reshape函数

② torch.zeros()、torch.ones()、自己给tensor赋值

 生成全0、全1的tensor可用torch.zeros()和torch.ones()方法

也可以自己给tensor赋值

 ③ +、-、*、/、**运算在tensor中升级为按元素运算，torch.exp()也可用来按元素运算

④ 把多个张量连结在一起

dim=0表示行方向的堆叠， dim=1表示列方向的堆叠

⑤ 通过逻辑运算符构建张量(x,y是上面的)

⑥ 对tensor中的所有元素求和

⑦即使形状不同，我们仍可以通过广播机制(broadcasting mechanism)来执行按元素操作

这里的a,b都会通过赋值自身从而达到3x2的维度 

⑧ 读取和修改tensor中的元素

⑨ 运行一些操作可能会导致为新结果分配内存，如果在后续计算中没有重复使用x，我们也可以使用x[:] = x+y或x+=y来减少操作的内存开销

⑩ 将tensor转换为Numpy张量，将大小为1的tensor转换为python标量

 2.数据预处理

为了处理缺失的数据，典型的方法包括插值和删除，这里，我们考虑插值

对inputs中的类别值或离散值，我们将"NaN"视为一个类别

现在inputs和outputs中的所有条目都是数值类型，可以转换为张量格式