9.11学习日记

经过前期的知识点学习，今天开始跟着李沐老师的动手学深度课程学习

一、访问元素

一个元素：[1,2] 代表着取第一行第二列
一行：[1:] 代表取第一行的所有元素
一列：[:1] 代表取第一列的所有元素
子区域：[1:3,1:] 代表取第一行和第三行并且第一列的所有元素
子区域：[::3,::2] 从数组的第一行开始，每隔三行选择一行，每隔两列选择一列

二、张量

2.1定义张量

2.1.1torch.arange()

是一个用于创建一维张量的函数，参数说明：

start: 起始值（默认是 0）
end: 结束值（默认是 None，即生成 start 到 end 的值）
step: 步长（默认是 1）

例如x = torch.arange(12)就是生成一个从 0 开始到 11 结束的序列

2.1.2 shape和numel

x.shape == torch.Size([12])用于访问张量的形状
x.numel() == 12返回张量中元素的总数

2.1.3 reshape

X == x.reshape(3,4)将x改变为3行4列的矩阵

2.1.4 zeros、ones等等

torch.zeros((2,3,4))创建了一个三维张量，实际上是两个三行四列且元素均为0的矩阵

2.2运算

2.2.1连接张量

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]])
Z1 = torch.cat((X, Y), dim=0)
Z2 = torch.cat((X, Y), dim=1)

Z1 = tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]])
Z2 = tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]])

2.2.2求和

sum可以所有张量内容求和为一个标量

2.2.3广播机制

a张量三行一列，b张量一行两列，则a+b为三行两列

三、数据预处理

1.碰到缺失值可以设为Nan，例如：
inputs, outputs = data.iloc[:, 0:2] # 获取前两列作为 inputs 和 outputs
inputs = inputs.fillna(inputs.mean())
将 inputs中的缺失值替换为每一列的均值，以确保模型处理时没有空值