n维数组是机器学习和神经网络的主要数据结构。
首先导入torch:
张量表示一个数值组成的数组,这个数组可能有多个维度
arange(x): 表示0到x-1的整数数列,左闭右开
张量的shape属性来访问张量的形状和张量中元素的总数
张量的numel()属性来访问张量中元素的总数(标量)
改变一个张量的形状而不改变元素数量和元素值,我们可以调用reshape()函数
dtype确定张量的数值类型(dtype=torch.float32)32位的浮点数
cat将两个张量的元素合并在一起torch.cat((X, Y), dim=0),按第0个维度将X和Y进行合并
在某些情况下,即使形状不同,我们仍然可以通过调用 广播机制(broadcasting mechanism)来执行按元素操作。 这种机制的工作方式如下: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。
为了处理丢失数据,典型的方法是插值和删除,对于数值型,通常插值均值,对于字符串(类别值和离散值),我们将未知数值看成一个类别。