先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新大数据全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip204888 (备注大数据)
正文
c = torch.zeros(5, 3, dtype=torch.long)
print©
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
同样地,还有 `torch.ones()`
4. 直接通过数据创建张量
d = torch.tensor([2.5, 3.5])
print(d) # tensor([2.5000, 3.3000])
5. 使用 numpy 中的数组创建 tensor
torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
6. 通过已有的一个张量创建指定尺寸的新张量
x = d.new_ones(5, 3, dtype=torch.double)
print(x)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
7. 通过已有的一个张量创建相同尺寸的新张量
利用randn_like方法得到相同张量尺寸的一个新张量, 并且采用随机初始化来对其赋值
y = torch.randn_like(x, dtype=torch.float)
print(y)
tensor([[-0.1497, -0.5832, -0.3805],
[ 0.9001, 2.0637, 1.3299],
[-0.8813, -0.6579, -0.9135],
[-0.1374, 0.1000, -0.9343],
[-1.1278, -0.9140, -1.5910]])
### 2.2 张量的属性
1. 获取张量的大小
print(y.size()) # torch.Size([5, 3])
>
> `torch.Size` 函数本质上返回的是一个tuple,因此它支持一切元组的操作。
>
>
>
2. 改变张量的形状
i = torch.randn(4, 4)
tensor.view()操作需要保证数据元素的总数量不变
j = i.view(16)
-1代表自动匹配个数
k = i.view(-1, 8)
print(i.size(), j.size(), k.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
### 2.3 张量的运算
1. 加法操作
第一种加法操作
print(x + y)
第二种加法操作
print(torch.add(x, y))
第三种加法操作
提前设定一个空的张量
result = torch.empty(5, 3)
将空的张量作为加法的结果存储张量
torch.add(x, y, out=result)
print(result)
第四种加法方式
原地置换
y.add_(x)
print(y)
>
> 注意:所有 `in-place` 的操作函数都有一个下划线的后缀,比如 `x.copy_(y),x.add_(y)`,都会直接改变 `x` 的值
>
>
>
### 2.4 获取张量元素
1. 取出元素
如果张量中只有一个元素,可以用 `.item()` 将值取出,作为一个 python number(真实值)
n = torch.randn(1)
print(n)
print(n.item())
tensor([-0.3531])
-0.3530771732330322
2. 切片
用类似于Numpy 的方式对张量进行操作:
print(x[:, 1])
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
### 2.5 类型转换
Torch Tensor和Numpy array的转换
a = torch.ones(5)
print(a) # tensor([1., 1., 1., 1., 1.])
1. 将 Torch Tensor 转换为 Numpy array
b = a.numpy()
print(b) # [1. 1. 1. 1. 1.]
对其中一个进行加法操作,另一个也随之被改变
a.add_(1)
print(a)
tensor([2., 2., 2., 2., 2.])
print(b)
[2. 2. 2. 2. 2.]
2. 将 Numpy array 转换为 Torch Tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
[1. 1. 1. 1. 1.]
print(b)
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
np.add(a, 1, out=a)
print(a)
[2. 2. 2. 2. 2.]
print(b)
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
>
> 注意:
>
>
> * 所有在CPU上的Tensors,除了CharTensor,都可以转换为Numpy array并可以反向转换
> * Torch Tensor 和 Numpy array共享底层的内存空间,因此改变其中一个的值,另一个也会随之被改变。
>
>
>
>
> 关于Cuda Tensor: Tensors可以用`.to()`方法来将其移动到任意设备上。
>
>
> * GPU:“cuda”
> * CPU:“cpu”
>
>
>
x = torch.zeros(5, 3, dtype=torch.long)
如果服务器上已经安装了GPU和CUDA
if torch.cuda.is_available():
# 定义一个设备对象, 这里指定成CUDA, 即使用GPU
device = torch.device(“cuda”)
# 直接在GPU上创建一个Tensor
y = torch.ones_like(x, device=device)
# 将在CPU上面的x张量移动到GPU上面
x = x.to(device)
# x和y都在GPU上面, 才能支持加法运算
z = x + y
# 此处的张量z在GPU上面
print(z)
# 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
print(z.to(“cpu”, torch.double))
tensor([[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1],
[1, 1, 1]], device=‘cuda:0’)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
## 3 Pytorch中的 autograd
>
> 在整个 Pytorch 框架中,所有的神经网络本质上都是一个autograd package(自动求导工具包),它提供了一个对 Tensors 上所有的操作进行自动微分的功能。
>
>
>
### 3.1 torch.Tensor 介绍
`torch.Tensor` 是整个 package 中的核心类
* 如果将属性`.requires_grad` 设置为 `True`,它将追踪在这个类上定义的所有操作。
* 当代码要进行反向传播的时候,直接调用 `.backward()` 就可以自动计算所有的梯度(前提是属性`.requires_grad` 设置为 `True`)。
* 在这个Tensor上的所有梯度将被累加进属性 `.grad` 中。
* 如果想终止一个Tensor 在计算图中的追踪回溯(反向传播),只需要执行`.detach()`就可以将该Tensor从计算图中撤下,在未来的回溯计算中也不会再计算该Tensor。
* 如果想终止对整个计算图的追踪回溯,也就是不再进行方向传播求导数的过程,也可以采用代码块的方式`with torch.no_grad():`,这种方式非常适用于对模型进行 **预测** 的时候,因为预测阶段不再需要对梯度进行计算。
`torch.Function`是和`torch.Tensor` 同等重要的一个核心类,
* `torch.Function`和Tensor共同构建了一个完整的类, 每一个Tensor拥有一个`.grad_fn`属性,代表引用了哪个具体的 Function 创建了该Tensor。
* 如果某个张量Tensor是用户自定义的,则其对应的grad\_fn is None。
### 3.2 torch.Tensor 操作
不设置requires_grad
x1 = torch.ones(3, 3)
print(x1)
设置requires_grad
x = torch.ones(2, 2, requires_grad=True)
print(x)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
在具有 `requires_grad=True` 的Tensor x 上执行一个加法操作
y = x + 2
print(y)
tensor([[3., 3.],
[3., 3.]], grad_fn=)
打印 Tensor 的`grad_fn` 属性:
print(x.grad_fn) # x是我们自定义的
None
print(y.grad_fn) # y是通过加法计算出来的
<AddBackward0 object at 0x10db11208>
在Tensor上执行更复杂的操作:
z = y * y * 3
out = z.mean()
print(z, out)
tensor([[27., 27.],
[27., 27.]], grad_fn=) tensor(27., grad_fn=)
### 3.3 梯度Gradients
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注大数据)**
![img](https://img-blog.csdnimg.cn/img_convert/b116d4a396244909dcf9f9004379cd61.png)
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**
`
z = y \* y \* 3
out = z.mean()
print(z, out)
tensor([[27., 27.],
[27., 27.]], grad_fn=<MulBackward0>) tensor(27., grad_fn=<MeanBackward0>)
3.3 梯度Gradients
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip204888 (备注大数据)
[外链图片转存中…(img-p2iWZ267-1713319640647)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!