动手深度学习（pytorch） 知识点&&笔记

2.2.4 ⼩结 • 像庞⼤的 Python ⽣态系统中的许多其他扩展包⼀样，pandas 可以与张量兼容。 • 插值和删除可⽤于处理缺失的数据。

2.3.12 ⼩结
• 标量、向量、矩阵和张量是线性代数中的基本数学对象。
• 向量泛化⾃标量，矩阵泛化⾃向量。
• 标量、向量、矩阵和张量分别具有零、⼀、⼆和任意数量的轴。
• ⼀个张量可以通过sum 和 mean沿指定的轴降低维度。
• 两个矩阵的按元素乘法被称为他们的哈达玛积。它与矩阵乘法不同。
• 在深度学习中，我们经常使⽤范数，如 L1范数、L2范数和弗罗⻉尼乌斯范数。
• 我们可以对标量、向量、矩阵和张量执⾏各种操作。

z = torch.arange(4) # 我们通过⼀维张量处理向量。⼀般来说，张量可以具有任意⻓度，取决于机器的内存限制。

# 求和函数 降低张量维度-变成一个标量
Y = torch.arange(4, dtype=torch.float32)
print(Y.sum())
A_sum_axis0 = A.sum(axis=0)
A_sum_axis1 = A.sum(axis=1)  # axis=1  横轴合并,axis=0  纵轴合并
A.sum(axis=[0, 1])  # 等同于A.sum()  对所有元素求和
Z = A.type(torch.float64)
print(Z.mean(axis=0))  # 计算平均值并降低张量的维度
# 非降维求和
sum_A = A.sum(axis=1, keepdims=True)
print(A.cumsum(axis=0))
# 点积
y = torch.ones(4, dtype=torch.float32)
z=z.float()
print(torch.dot(z, y))
# L2范数
u=torch.tensor([3.0,-4.0])
print(torch.norm(u))
# L1范数
print(torch.abs(u).sum())
# 弗罗⻉尼乌斯范数
print(torch.norm(torch.ones((4,9))))  #torch.ones((4, 9)) 创建了一个形状为 (4, 9) 的张量，即一个4行9列的二维张量，其中所有的元素都是1。

练习：

1）运⾏ A / A.sum(axis=1)，看看会发⽣什么。你能分析原因吗？

发生错误，因为形状不符合广播机制。广播机制是从形状尾部开始进行匹配，因此如果是A/A.sum(axis=1, keepdim=True)，此时两者形状为(5, 4)和(5, 1)，可以进行广播。

2.3

在PyCharm中，你可以使用Matplotlib库来绘制图形，但是不能直接使用%matplotlib inline这样的Magic命令。相反，你需要使用Matplotlib的图形显示函数来显示图形，例如plt.show()。