【深度学习（李沐）】

最新推荐文章于 2024-04-22 14:48:43 发布

派哒星！

最新推荐文章于 2024-04-22 14:48:43 发布

阅读量1.1k

点赞数 2

分类专栏：深度学习文章标签：深度学习 python pytorch

本文链接：https://blog.csdn.net/qq_45973265/article/details/127816711

版权

深度学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

深度学习

1 数据操作和数据预处理

1 数据操作和数据预处理

1.1 数组维度理解

在这里插入图片描述

1.2 数据操作实现

1.2.1 张量（tensor）

n维数组，也称为张量（tensor）。无论使用哪个深度学习框架，它的张量类（在MXNet中为ndarray，在PyTorch和TensorFlow中为Tensor）都与Numpy的ndarray类似。

1.2.2 torch.arange

我们可以使用 arange 创建一个行向量 x。这个行向量包含以0开始的前12个整数，它们默认创建为整数。
在这里插入图片描述

1.2.3 shape

可以通过张量的shape属性来访问张量（沿每个轴的长度）的形状
在这里插入图片描述

1.2.4 numel

返回张量中元素的总数，即形状的所有元素乘积（标量）。
在这里插入图片描述

1.2.5 reshape

要想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。
例如：这里x是维度为12的向量，把它变为3行4列的张量。
在这里插入图片描述
如果我们的目标形状是（高度,宽度），那么在知道宽度后，高度会被自动计算得出，不必我们自己做除法。在上面的例子中，为了获得一个3行的矩阵，我们手动指定了它有3行和4列。幸运的是，我们可以通过-1来调用此自动计算出维度的功能。即我们可以用x.reshape(-1,4)或x.reshape(3,-1)来取代x.reshape(3,4)。

1.2.6 zeros和ones：

创建一个形状为（2,3,4）的张量，其中所有元素都设置为0。
在这里插入图片描述
创建一个形状为（2,3,4）的张量，其中所有元素都设置为1。

1.2.7 randn：

创建一个形状为（3,4）的张量，每个元素都从均值为0、标准差为1的标准高斯分布（正态分布）中随机采样。
在这里插入图片描述

1.2.8 列表嵌套列表：

我们还可以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。（[ ]方括号表示列表）
在这里，最外层的列表对应于轴0，内层的列表对应于轴1。
在这里插入图片描述

1.3 运算符

1.3.1 按元素（elementwise）运算

将标准标量运算符应用于数组的每个元素。对于将两个数组作为输入的函数，按元素运算将二元运算符应用于两个数组中的每对位置对应的元素。
（1）[常见的标准算术运算符（+、-、*、/和**）都可以被升级为按元素运算]。我们可以在同一形状的任意两个张量上调用按元素操作。
在这里插入图片描述
（2）指数运算

1.3.2 张量连结

[我们也可以把多个张量连结（concatenate）在一起]，
我们只需要提供张量列表，并给出沿哪个轴连结。
下面的例子分别演示了当我们沿行（轴0，形状的第一个元素）和按列（轴1，形状的第二个元素）连结两个矩阵时，会发生什么情况。
我们可以看到，第一个输出张量的轴0长度（ $6$ ）是两个输入张量轴-0长度的总和（ $3 + 3$ ）；
第二个输出张量的轴1长度（ $8$ ）是两个输入张量轴-1长度的总和（ $4 + 4$ ）。
在这里插入图片描述

1.3.3 逻辑运算形成张量

以X == Y为例：
对于每个位置，如果逻辑语句X == Y在该位置处为真，则新张量中相应项的值为1，否则该位置为0。
在这里插入图片描述

1.4 广播

广播：首先，通过适当复制元素来扩展一个或两个数组，以便在转换之后，两个张量具有相同的形状。其次，对生成的数组执行按元素操作。
在这里插入图片描述
于a和b分别是3x1和1x2矩阵，如果让它们相加，它们的形状不匹配。
矩阵a将复制列，矩阵b将复制行，然后再按元素相加。

1.5 索引和切片

[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]
[1:3]也就是选择[1,3)内的数，也就是1和2。
在这里插入图片描述
[指定索引来将元素写入矩阵。]

如果我们想[为多个元素赋值相同的值，我们只需要索引所有元素，然后为它们赋值。]
例如，[0:2, :]访问第1行和第2行，其中“:”代表沿轴1（列）的所有元素。

1.6 节省内存

[运行一些操作可能会导致为新结果分配内存]。
例如，如果我们用Y = X + Y，我们将取消引用Y指向的张量，而是指向新分配的内存处的张量。

在下面的例子中，我们用Python的id()函数演示了这一点，
它给我们提供了内存中引用对象的确切地址。
运行Y = Y + X后，我们会发现id(Y)指向另一个位置。
这是因为Python首先计算Y + X，为结果分配新的内存，然后使Y指向内存中的这个新位置。
在这里插入图片描述
我们可以使用切片表示法将操作的结果分配给先前分配的数组，例如Y[:] = <expression>。

[如果在后续计算中没有重复使用X，
我们也可以使用X[:] = X + Y或X += Y来减少操作的内存开销。]

1.7 转换为其他python对象

numpy数组转换为torch张量
将共享它们的底层内存，就地操作更改一个张量也会同时更改另一个张量。
在这里插入图片描述
其他
要(将大小为1的张量转换为Python标量)，我们可以调用item函数或Python的内置函数。

派哒星！

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
【深度学习（李沐）】

无论使用哪个深度学习框架，它的张量类（在MXNet中为ndarray，在PyTorch和TensorFlow中为Tensor）都与Numpy的ndarray类似。如果我们的目标形状是（高度,宽度），那么在知道宽度后，高度会被自动计算得出，不必我们自己做除法。在上面的例子中，为了获得一个3行的矩阵，我们手动指定了它有3行和4列。下面的例子分别演示了当我们沿行（轴0，形状的第一个元素）和按列（轴1，形状的第二个元素）连结两个矩阵时，会发生什么情况。在这里，最外层的列表对应于轴0，内层的列表对应于轴1。
复制链接

扫一扫