import torch
#测试安装
a=torch.ones((3,1))
a=a.cuda(0)
b=torch.ones((3,1)).cuda(0)
a+b
tensor([[2.],
[2.],
[2.]], device='cuda:0')
数据操作
x=torch.arange(12)
#向量
print(x)
#形状
x.shape
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
torch.Size([12])
#元素总数
x.numel()
12
#改变形状
x.reshape(3,4)
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
#元素全0
torch.zeros((2,3,4))
tensor([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
#特定的值使用python列表
torch.tensor([[2,1,4],[1,2,3]])
torch.Size([2, 3])
#常见的标准算术运算符(+ - * / **(求幂))
x=torch.tensor([1.0,2,3,4])
y=torch.tensor([2,2,2,2])
x+y,x-y,x*y,x/y,x**y
(tensor([3., 4., 5., 6.]),
tensor([-1., 0., 1., 2.]),
tensor([2., 4., 6., 8.]),
tensor([0.5000, 1.0000, 1.5000, 2.0000]),
tensor([ 1., 4., 9., 16.]))
#把多个张量连结起来
X=torch.arange(12,dtype=torch.float32).reshape((3,4))
Y=torch.tensor([[2,3,1,3],[1,2,4,5],[4,2,3,1]])
#dim=0按列 dim=1按行
torch.cat((X,Y),dim=0),torch.cat((X,Y),dim=1)
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 3., 1., 3.],
[ 1., 2., 4., 5.],
[ 4., 2., 3., 1.]]),
tensor([[ 0., 1., 2., 3., 2., 3., 1., 3.],
[ 4., 5., 6., 7., 1., 2., 4., 5.],
[ 8., 9., 10., 11., 4., 2., 3., 1.]]))
#通过逻辑运算符构建二元张量
X==Y
tensor([[False, False, False, True],
[False, False, False, False],
[False, False, False, False]])
#求和
X.sum()
tensor(66.)
#即使形状不同,我们仍然可以通过广播机制来执行按元素操作
a= torch.arange(3).reshape((3,1))
b=torch.arange(2).reshape((1,2))
#a扩充至3,2 b扩充至 3,2
a+b
tensor([[0, 1],
[1, 2],
[2, 3]])
#元素的访问
#x[-1]最后一行
X[-1],X[1:3]
(tensor([ 8., 9., 10., 11.]),
tensor([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]]))
#赋值
X[0:2,:]=12
X
tensor([[12., 12., 12., 12.],
[12., 12., 12., 12.],
[ 8., 9., 10., 11.]])
#运行一些操作可能会导致为新结果分配内存
before =id(Y)
#会导致重新分配
Y=X+Y
id(Y)==before
False
#原地操作
Z=torch.zeros_like(Y)
print(id(Z))
Z[:]=X+Y
print(id(Z))
1499739335536
1499739335536
#若后续无需使用X,直接把Y加进里面
before=id(X)
X+=Y
id(X)==before
True
#转换为NumPy张量
A=X.numpy()
B=torch.tensor(A)
type(A),type(B)
(numpy.ndarray, torch.Tensor)
#将大小为1的张量转换为python标量
a=torch.tensor([3.5])
a,a.item(),float(a),int(a)
(tensor([3.5000]), 3.5, 3.5, 3)
数据预处理
import os
os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
f.write('NumRooms,Alley,Price\n') # 列名
f.write('NA,Pave,127500\n') # 每行表示一个数据样本
f.write('2,NA,106000\n')
f.write('4,NA,178100\n')
f.write('NA,NA,140000\n')
#读取文件
import pandas as pd
data=pd.read_csv(data_file)
print(data)
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法和删除法, 其中插值法用一个替代值弥补缺失值,而删除法则直接忽略缺失值。
# 在这里,我们将考虑插值法。
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
#mean()表示均值,只对数值有效,numeric_only=True(有非数值列需添加)
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
#如何处理非数值类?
#对于inputs中的类别值或离散值,我们将“NaN”视为一个类别。 由于“巷子类型”(“Alley”)列只接受两种类型的类别值“Pave”和“NaN”, pandas可以自动将此列转换为两列“Alley_Pave”和“Alley_nan”。 巷子类型为“Pave”的行会将“Alley_Pave”的值设置为1,“Alley_nan”的值设置为0。
#缺少巷子类型的行会将“Alley_Pave”和“Alley_nan”分别设置为0和1。
#要想使得为0,1,要加上dtype=int
inputs = pd.get_dummies(inputs, dummy_na=True,dtype=int)
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
#数值转张量格式
X = torch.tensor(inputs.to_numpy(dtype=float))
y = torch.tensor(outputs.to_numpy(dtype=float))
X, y
(tensor([[3., 1., 0.],
[2., 0., 1.],
[4., 0., 1.],
[3., 0., 1.]], dtype=torch.float64),
tensor([127500., 106000., 178100., 140000.], dtype=torch.float64))