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())
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值