数据操作、数据预处理

一、N维数组是机器学习和神经网络的主要数据结构

        0维（标量）：表示一个物体的类别

        1维（向量）：一个特征向量（将样本抽象为数字）

        2维（矩阵）：一个样本的特征矩阵（样本、特征）

        3维：比如RGB三通道图片

        4维：比如一个RGB图片的批量（一批3维的）

        5维：一个视频的批量（加上了时间）

二、创建数组：形状、元素数据类型、元素的值

三、Torch中一些操作

1. 生成数组torch.arange(n)，[0，n-1)的数组
2. 输出（直接x，n，m）可以输出x,n,m
3. 张量和数组虽然定义不同，但使用上都混着使用了
4. 访问张量的形状x.shape
   1. 

   2. Channel为1，width为3，height为4；中括号的层数可以判断维数；A.ndim也可获取维数。

5. 访问张量的元素总数x.numl()

6. 改变一个张量的形状而不改变元素数量和元素值x.reshape(3, 4)；同样也可以改三维数组；

7. 创建数组（全0、全1、其他常量）：
   1. torch.zeros((2,3,4))
   2. torch.ones((2,3,4))
   3. torch.randn(3,4)
   4. torch.tensor([数组元素（可多维）])
8. 数组运算：+、-、*、/、**（幂）
9. 拼接（可按轴进行拼接）
   1. 
10. 通过逻辑运算符构建二元张量
    1. ​​​​​​​

11. 对张量中的所有元素进行求和X.sum()，会产生一个标量

四、广播机制，对于不同形状的数组，对其进行运算时，会将其广播为相同形状的数组再进行运算

         

五、访问（数组的填写切片方式与python基本语句相同）

六、内存问题（原地操作与析构）

1、析构：销毁原来的变量，释放内存

2、不重复使用x，可减少内存开销，x=x+y(析构操作；x+=y(原地操作

七、数据类型转化

1、Numpy张量与torch张量转化

        

2、torch张量与python标量

        

八、数据预处理

1、创建文件：创建文件，将数据写入f文件中；

        

        csv，每一行为一个数据，每个域使用逗号分开

2、用numpy的方式打开文件

        

3、处理缺失值NaN

        （1）数值，取中位值

                

        （2）非数值

                

4、转化为tensor