动手学深度学习（一）

数组是机器学习和深度学习常用的工具

0-维——标量

1-维——特征向量

2-维——样本特征向量矩阵

3-维——eg:图片 （宽*高*通道）

4-维——批量的3维数据

5-维——eg:视频（加入时间序列）

创建数组的三要素：形状、数据类型、数据

数组的访问：

1个元素：[1,2] ;一行：[1,:];一列：[:,1]

子区域：[1:3,1:](1到2行，列取全部)

子区域：[::3,::2](每3行一跳，每2列一跳)

数组的使用

import torch
x=torch.arrange(12)   #生成从0-11的数字
x.shape #生成torch.size()
x.numel #标量-x的元素个数
x=x.reshape([3,4]) #改变大小
torch.zeros((2,3,4)) #赋值为0
torch.ones((2,3,4)) #赋值为1
torch.tensor([[[2,1,4,3],[1,2,3,4],[2,3,4,1]]]) #指定特殊值 维数看括号
#张量连结一起
x=torch.arange(12,dtype=float32,reshape((3,4)))
y=torch.tensor([[1,2,3,4],[5,6,7,8]],torch.cat((x,y),dim=0))#按照行这一维合并x和y
x.sum() #张量求和
#维度相同、形状不同的情况下可以采用广播机制变为形状相同的张量，然后进行计算
#取最后一个元素采用-1

数据预处理

import os
import pandas as pd
import torch
os.makedirs(os.path.join('.','data'),exist_ok=True)
data_file=os.path.join('.','data','house_tint.csv')
with open(data_file,'w') as f:
    f.write('NumRooms,Alley,Price\n')    #列名
    f.write('NA,Pave,127500\n')
    f.write('2.0,NA,106000\n')
    f.write('4.0,NA,178100\n')
    f.write('NA,NA,140000\n')

data=pd.read_csv(data_file)
print(data)

#插值
inputs,outputs=data.iloc[:,0:2],data.iloc[:,2]#inputs取前两列全部
inputs=inputs.fillna(inputs.mean())#数值列中NAN以均值填充
print(inputs)

inputs=pd.get_dummies(inputs,dummy_na=True)
print(inputs)

x,y=torch.tensor(inputs.values),torch.tensor(outputs.values)
print(x)
print(y)

线性代数的实现

temp=torch.arange(40).reshape(2,5,4)
print(temp)
#keepdim保留维度，false情况下sum计算维度减小
temp_axis=temp.sum(axis=1,keepdim=True)
print(temp/temp_axis)
#同一位置上累加
xt=temp.cumsum(axis=0)
print(xt)
#向量的点积
x1=torch.arange(4,dtype=torch.float32)
y1=torch.ones(4,dtype=torch.float32)
z1=torch.dot(x1,y1)
print(z1)
#矩阵向量积
x2=torch.arange(8,dtype=torch.float32)
x2=torch.reshape(x2,(2,4))
z2=torch.mv(x2,y1)
print(z2)
#矩阵乘法
y2=torch.ones(4,3)
z3=torch.mm(x2,y2)
print(z3)
#l2范数(向量称为l2范数，矩阵为F范数  一致)
u=torch.tensor([3.0,4.0,5.0])
print(torch.norm(u))
#l1范数
print(torch.abs(u).sum())