跟李沐学AI-深度学习课程00-03【预告、课程安排、深度学习介绍、安装】

目录

00 预告

01 课程安排

02 深度学习介绍

03 安装

本地安装

04 数据操作+数据预处理

数据操作

数据类型

创建数组

访问元素

数据操作实现

入门

运算符

广播机制

索引和切片

节省内存

转换为其他Python对象

数据预处理实现

读取数据集

处理缺失值

转换为张量格式

小结

---

00 预告

《动手学深度学习》https://github.com/d2l-ai/d2l-zh

01 课程安排

02 深度学习介绍

03 安装

本地安装

· 使用conda/miniconda环境

conda env remove d2l-zh

conda create -n -y d2l-zh python=3.8 pip

conda activate d2l-zh

· 安装需要的包

pip install -y jupyter d2l torch torchvision 

pip install jupyter d2l torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

使用上面这个命令行可以极大程度的提高下载速度

· 下载代码并执行

wget https://zh-v2.d2l.ai/d2l-zh.zip

unzip d2l-zh.zip

jupyter notebook

DIVE INTO DEEP LEARNINGhttps://zh.d2l.ai/chapter_installation/index.html

04 数据操作+数据预处理

数据操作

数据类型

0一个标量

1一个特征向量

2一个样本-特征矩阵

3RGB图片（widthxheightxchannel）

4RGB图片批量（batch x width x height x channel）

5视频批量（batch x time x width x height x channel）

创建数组

形状、数据类型、元素的值

访问元素

   

数据操作实现

入门

import torch

x = torch.arange(12)
x

x.shape

x.numel()

X = x.reshape(3, 4)
X

torch.zeros((2, 3, 4))

torch.ones((2, 3, 4))

torch.randn(3, 4)

torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])

运算符

x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y  # **运算符是求幂运算

torch.exp(x)

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)

X == Y

X.sum()

广播机制

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b

索引和切片

X[-1], X[1:3]

X[1, 2] = 9
X

X[0:2, :] = 12
X

节省内存

before = id(Y)
Y = Y + X
id(Y) == before

转换为其他Python对象

A = X.numpy()
B = torch.tensor(A)
type(A), type(B)

a = torch.tensor([3.5])
a, a.item(), float(a), int(a)

数据预处理实现

读取数据集

import os

os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
    f.write('NumRooms,Alley,Price\n')  # 列名
    f.write('NA,Pave,127500\n')  # 每行表示一个数据样本
    f.write('2,NA,106000\n')
    f.write('4,NA,178100\n')
    f.write('NA,NA,140000\n')


# 如果没有安装pandas，只需取消对以下行的注释来安装pandas
# !pip install pandas
import pandas as pd

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

处理缺失值

inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean())
print(inputs)

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

转换为张量格式

from mxnet import np

X, y = np.array(inputs.to_numpy(dtype=float)), np.array(outputs.to_numpy(dtype=float))
X, y

小结

• pandas软件包是Python中常用的数据分析工具中，pandas可以与张量兼容。

• 用pandas处理缺失的数据时，我们可根据情况选择用插值法和删除法。