【学习笔记】动手学深度学习2-2.2

动手学深度学习笔记2

2.1 数据操作

张量（tensor）

无论使用哪个深度学习框架，它的张量类（在MXNet中为ndarry，在PyTorch和TensorFlow中为Tenor）都与Numpy中的ndarray类似，但又比Numpy中的ndarray多一些重要功能。

• GPU很好的支持加速计算，而Numpy仅支持CPU计算
• 张量类支持自动微分

如无特殊说明，本书所说的张量均指的是张量类的实例。

2.1.1 入门

首先用conda创建虚拟环境d2l

conda create --name d2l python=3.8

再利用pip下载对应的torch-GPU版本

conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch

安装anaconda时jupyter notebook默认安装在base环境中，因此新建虚拟环境后，需要在虚拟环境中也安装jupyter notebook。
首先打开anaconda promote
在base环境中输入conda list，界面如下：

首先我们激活虚拟环境activate pytorch_gpu，然后输入conda install nb_conda，安装好后输入jupyter notebook。
进入jupyter后选择Kernel，然后再选择change kernel即可将jupyter运行环境改为虚拟环境。

首先导入torch

import torch

张量表示由一个数值组成的数组，这个数组可能有多个维度。

具有一个轴的张量对应数学上的向量（vector）。具有两个轴的张量对应数学上的矩阵（matrix）。具有两个轴以上的张量没有特殊的数学名称。
torch.arange()返回大小的一维张量
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，被默认创建为浮点数。

x=torch.arange(12)
x
-------------------
out：tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

张量中的每个值都被称为张量的元素（element）

通过张量的shape属性来访问张量的形状（沿每个轴的长度）

x.shape
--------
out:torch.Size([12])

通过张量的numel属性可以得到张量中元素的总数，即形状的所有元素乘积。

x.numel()
-----------
out:12

要改变一个张量的形状而不改变其元素数量和元素值，可以调用reshape函数。e.g.可以把张量x从形状（12，）的行向量转换为形状为（３，４）的矩阵。这个新的张量包含与转换前相同的值，但是它被看成一个３行４列的矩阵。

张量形状发生变化但元素值不变，大小也不变

X=x.reshape(3,4)
X
------------------------
out:tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

使用reshape时我们不一定要通过手动调整维度，在上面的例子中，我们也可以通过x.reshape(-1,4)或x.reshape(3,-1)来取代x.reshape(3,4)

希望张量自动推断的维度放置-1来调用这一功能。

创建一个形状为（2，3，4）的张量，其中所有元素值都为0。

torch.zeros((2,3,4))
----------------------
out: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.]]])

创建一个形状为（2，3，4）的张量，其中所有元素为1。

torch.ones((2,3,4))
---------------------
out:tensor([[[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]],

        [[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]]])

创建一个形状为（3，4）的张量，其中的每个元素都从均值为0，标准差为1的标准高斯（正态）分布中随机采样。

torch.randn(3,4)
------------------