深度学习实验二 pytorch入门

一. 概念：张量、算子
张量的定义是矩阵的扩展与延伸，我认为张量就是n个数量的n维数组，也可认为是高阶的矩阵。算子的定义是构建复杂机器学习模型的基础组件，我觉得算子是一个算法单元，就是一个可以进行某种操作的函数。

二. 使用pytorch实现张量运算
1.2 张量

1.2.1 创建张量

1.2.1.1 指定数据创建张量

a=torch.tensor([2.0,3.0,4.0])   #创建一个一维张量
b=torch.tensor([[1.0,2.0,3.0],[4.0,5.0,6.0]])   #创建一个二维张量
c=torch.tensor([[[1,2,3,4,5],
                  [6,7,8,9,10]],
                 [[11,12,13,14,15],
                  [16,17,18,19,20]]])   #创建一个三维张量
print(a);print(b);print(c)

运行结果：

1.2.1.2 指定形状创建

a=torch.zeros(2,3)   #创建数据全为1，形状为[2，3]的张量
b=torch.ones(2,3)   ##创建数据全为0，形状为[2，3]的张量
c=torch.full([2,3],10)   ##创建数据全为指定值，形状为[2，3]的张量
print(a);print(b);print(c)

运行结果：

1.2.1.3 指定区间创建

a=torch.linspace(0,666,6)
print(a)

运行结果：

1.2.2 张量的属性 

1.2.2.1 张量的形状

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
print(a.shape)

运行结果：

1.2.2.2 形状的改变

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
print(a.reshape(9,1))

运行结果：

1.2.2.3 张量的数据类型

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
a.type()

运行结果：

1.2.2.4 张量的设备位置

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
print(a.device)

运行结果：

1.2.3 张量与Numpy数组转换

numpy转换成张量

a=np.array([[1,1,1],[2,2,2],[3,3,3]])
b=torch.Tensor(a)
print(b)

运行结果：

 张量转化为numpy

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
b=a.numpy()
print(b)

运行结果：

1.2.4 张量的访问
1.2.4.1 索引和切片

张量的索引与切片

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
print(a[-1])   #索引
print(a[1:3])   #切片

运行结果：

1.2.4.2 访问张量

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
print(a[1,2])   #访问第一行第二列
print(a[[1,0],[1,1]])   #访问第一行第一列与第零行第一列

运行结果：

1.2.4.3 修改张量

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
a[0,1]=2
a[1]=-2
print(a)

运行结果：

1.2.5 张量的运算
1.2.5.1 数学运算

a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
print(a)
a+=1
print(a)   #加法
a-=2
print(a)   #减法
a*=2
print(a)   #乘法
a/=2
print(a)   #除法
a = torch.sqrt(a)
print(a)   #求平方根

运行结果：

1.2.5.2 逻辑运算

a=torch.Tensor([1,0,2,0]).bool()
b=torch.Tensor([0,3,1,0]).bool()
print(torch.isfinite(a))   #判断张量中元素是否是有限的数字
print(torch.equal(a,b))   #判断两个张量的全部元素是否相等
print(torch.eq(a,b))   #判断两个张量的每个元素是否相等
print(torch.all(a))   #判断是否全为True

运行结果：

1.2.5.3 矩阵运算

x=torch.Tensor([2,2,2])
y=torch.Tensor([3,3,3])
z=torch.Tensor([[2,2,2],[3,3,3]])
print(torch.dot(x,y))   #点积
print(torch.mv(z,x))   #向量积
a=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
b=torch.Tensor([[6,6,6],[5,5,5],[4,4,4]])
print(torch.mm(a,b))   #矩阵乘法

运行结果：

1.2.5.4 广播机制

广播机制允许在一些运算时使用不同形状的张量。通常来讲，如果有一个形状较小和一个形状较大的张量，会希望多次使用较小的张量来对较大的张量执行某些操作，看起来像是形状较小的张量首先被扩展到和较大的张量形状一致，然后再做运算。

广播机制的条件

1）每个张量至少为一维张量。

2）从后往前比较张量的形状，当前维度的大小要么相等，要么其中一个等于1，要么其中一个不存在。

a=torch.Tensor([1,1,1])
b=torch.Tensor([[1,1,1],[2,2,2],[3,3,3]])
print(a.shape)
print(b.shape)
print(a+b)   #广播发生

运行结果：

三. 使用pytorch实现数据预处理
1. 读取数据集 house_tiny.csv、boston_house_prices.csv、Iris.csv

引入pandas库读取数据集

data_house_tiny = pd.read_csv('house_tiny.csv')
data_boston_house_prices = pd.read_csv('boston_house_prices.csv')
data_iris = pd.read_csv('Iris.csv')
print(data_house_tiny)
print(data_boston_house_prices)
print(data_iris)

运行结果：

2. 处理缺失值

以数据集 house_tiny.csv为例

data_house_tiny = pd.read_csv('house_tiny.csv')
data_boston_house_prices = pd.read_csv('boston_house_prices.csv')
data_iris = pd.read_csv('Iris.csv')
fillna_house_tiny=data_house_tiny.fillna(0)   #用0填充NaN
dropna_house_tiny=data_house_tiny.dropna()   #删除缺失值
print(fillna_house_tiny)
print(dropna_house_tiny)

运行结果：

3. 转换为张量格式

data_house_tiny = pd.read_csv('house_tiny.csv')
fillna_house_tiny=data_house_tiny.fillna(0)   #用0填充NaN
torch_house_tiny=torch.Tensor=(fillna_house_tiny.values)   #读出数据并转换为张量
print(torch_house_tiny)

运行结果：

心得体会： 此次实验，我们了解到了张量的各种概念与使用方法，如创建、转化、计算等等，同时也进行了数据集的读取、处理缺失值、转换为张量格式的操作，对数据的处理有了初步认识。