第一次作业：深度学习基础

一、 环境配置

在谷歌 Colab 上完成 pytorch 代码练习，它是一个 Jupyter 笔记本环境，已经默认安装好 pytorch，不需要进行任何设置就可以使用，并且完全在云端运行。使用方法可以参考 Rogan 的博客：https://www.cnblogs.com/lfri/p/10471852.html 国内目前无法访问 colab，可以安装 Ghelper: http://googlehelper.net/。

ps:参考课程courses.d2l.ai/zh-v2/

二、数据操作

n维数组即张量是基于向量和矩阵的推广。我们把标量视为零阶张量，向量视为一阶张量，矩阵视为二阶张量。（在pytorch中为tensor，在numpy中为ndarray）

首先，我们导入torch。

import totch

 1、张量的基本操作

x = torch.arange(12)
#可以使用arange创建一个行向量x。这个行向量包含从0开始的前12个整数，它们被默认创建为浮点数。
x.shape
#可以通过张量的shape属性来访问张量的形状
x.numel（）
#可以通过张量的numel属性知道张量中元素的总数
X = x.reshape(3, 4)
#x.reshape(-1,4)
#x.reshape(3,-1)
#调用reshape函数改变一个张量的形状而不改变元素数量和元素值

2、张量的初始化

torch.zeros((2,3,4))
#使用全0初始化矩阵
torch.ones((2,3,4))
#使用全1初始化矩阵
torch.randn(3,4)
#使用从特定分布中随机采样的数字来初始化矩阵
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
#赋予确定值

3、张量的运算

对于任意具有相同形状的张量，常见的标准算术运算符（+、-、*、/和**）都可以被升级为按元素运算。我们可以在同一形状的任意两个张量上调用按元素操作。

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y  # **运算符是求幂运算

 还可以进行指数运算。

torch.exp(x)

我们也可以把多个张量连结。dim=0为行的叠加，dim=1为列的叠加。

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]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)

 通过逻辑运算符构建二元张量。以X==Y为例子。 对于每个位置，如果X和Y在该位置相等，则新张量中相应项的值为True&#