【动手学深度学习PyTorch版】1 前期知识

目录

前言：安装torch

一、前期知识

◼ 数据操作

◼ 数据预处理

◼ 线性代数知识

# 标量

# 向量

# 矩阵

---

前言：安装torch

参考博客python Anaconda以及pytorch下载安装，在jupter notebook中执行代码_水w的博客-CSDN博客

AI地图：

 

一、前期知识

◼ 数据操作

（1） 访问张量形状

① 可以通过张量的shape属性来访问张量的形状和张量中元素的总数。

（2）改变张量形状

① 要改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数

 （3）创建全0、全1张量

① 使用全0、全1、其他常量或者从特定分布中随即采样的数字。

（4）创建特定值张量

① 通过提供包含数值的Python列表（或嵌套列表）来为所需张量中的每个元素赋予确定值。

（5）张量运算操作

• 常见的标准算术运算符(+、-、*、/、和 **)都可以被升级为按元素运算。

对每个元素应用更多的计算。

• 张量合并操作：可以把多个张量结合在一起。

• 张量逻辑运算：通过逻辑运算符构建二元张量。

• 张量累加运算： 对张量中所有元素进行求和会产生一个只有一个元素的张量

• 张量广播运算：即使形状不同，仍然可以通过调用广播机制(broadcasting mechanism) 来执行按元素操作。

•  张量访问运算：可以用[-1]选择最后一个元素，可以用[1:3]选择第二个和第三个元素

•  张量元素改写

① 除读取外，还可以通过指定索引来将元素写入矩阵。

② 为多个元素赋值相同的值，只需要索引所有元素，然后为它们赋值。

•  张量内存变化

① 运行一些操作可能会导致为新结果分配内容。

 ② 如果在后续计算中没有重复使用X，即内存不会过多复制，也可以使用X[:] = X + Y 或 X += Y 来减少操作的内存开销。

•  张量转Numpy

① 张量转 NumPy。

② 将大小为1的张量转为 Python 标量。

◼ 数据预处理

（1）创建数据集：创建一个人工数据集，并存储在csv(逗号分隔符)文件。

（2）加载数据集： 从创建的csv文件中加载原始数据集。

（3） 预处理数据集

① 为了处理缺失的数据，典型的方法包括插值和删除，这里，我们考虑插值。

② 对于inputs中的类别值或离散值，将“NaN”视为一个类别。 

（4） 数据集转张量

① inputs 和 outputs 中的所有条目都是数值类型，它们可以转换为张量格式。

 

◼ 线性代数知识

 

 

 

 

 

 

 

 

 

# 标量

（1）标量：由只有一个元素的张量表示。

# 向量

（1）创建向量： 可以将向量视为标量值组成的列表。

（2）访问向量元素:通过张量的索引来访问任一元素。

（3）访问向量长度，向量维度

（4）向量求和： 计算所有元素的和。

（5）向量点积

① 点积是相同位置的按元素成绩的和。

② 可以通过执行按元素乘法，然后进行求和来表示两个向量的点积。

 

# 矩阵

（1）创建矩阵：通过指定两个分量m和n来创建一个形状为m×n的矩阵。

（2）矩阵的转置

（3）对称矩阵的转置等于它本身

（4）多维矩阵：就像向量是标量的推广，矩阵是向量的推广一样，可以构建更多轴的数据结构。

（5）矩阵克隆： 给定具有相同形状的任何两个张量，任何按元素二元运算的结果都将是相同形状的张量。

（6）矩阵相乘（对应元素相乘）：两个句子的按元素乘法称为哈达玛积（Hadamard product）（数学符号⊙）

（7）矩阵加标量

（8）矩阵求和：表示任意形状张量的元素和。

矩阵某轴求和（维度丢失）：指定张量沿哪一个轴来通过求和降低维度。

（9）矩阵平均值： 一个与求和相关的量是平均值（mean或average）。

（10）矩阵广播：通过广播将 A 除以 sum_A。

（11） 矩阵某轴累加: 某个轴计算A元素的累加总和。

（12）矩阵向量积

A是一个m×n的矩阵，x是一个n×1的矩阵，矩阵向量积是一个长度为m的列向量，其第i个元素是点积。

（13）矩阵相乘（线性代数相乘）

可以将矩阵-矩阵乘法AB看作是简单地执行m次矩阵-向量积，并将结果拼接在一起，形成一个n×m矩阵。

（14）范数

L1范数，它表示为向量元素的绝对值之和;

L2 范数是向量元素平方和的平方根;

矩阵F范数:矩阵的弗罗贝尼乌斯范数（Frobenius norm）是矩阵元素的平方和的平方根;