NNDL 实验二 pytorch入门

目录

前言

一、张量，算子是什么？

二、使用Pytorch实现张量运算

1.2张量

​1.2.1创建张量

1.2.2张量的属性

1.2.3张量与Numpy数组的转换

1.2.4张量的访问

1.2.5张量的运算

三。数据预处理

总结

---

---

前言

通过对张量和算子的学习能够做到入门pytorch

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、张量，算子是什么？

张量是矩阵的扩展，向量是一阶张量，矩阵是二阶张量---

算子是深度学习中的一个计算单元

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

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

1.2.1.2指定形状创建

x = torch.zeros((2, 3, 4))
print(x)

 1.2.1.3指定区间创建

#产生一个形状为(3,4),符合标准正态分布的张量
x = torch.randn(3, 4)
print(x)

1.2.2张量的属性

1.2.2.1张量的形状

x = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(x.shape)

 1.2.2.2形状的改变

x = x.reshape(4, 3)
print(x)

 1.2.2.3张量的数据类型

print(x.dtype)
print(x.type())

 1.2.2.4张量的设备位置

#可以指定设备，位于CPU还是GPU
print(x.device) 

 1.2.3张量与Numpy数组的转换

x=x.numpy（）

1.2.4张量的访问

1.2.4.1索引和切片

print("索引操作结果：", x[-1])
print("切片操作结果：", x[0:2])

 1.2.4.2访问张量

print("访问张量操作结果：",x[1:,2:3])

 1.2.4.3修改张量

x[1] = 1
print("修改后的结果：", x)

1.2.5张量的运算

1.2.5.1数学运算

x = torch.tensor([2, 1, 4, 3])
y = torch.tensor([3, 3, 3, 3])
print("加法运算结果:", x + y)
print("减法运算结果:", x - y)
print("乘法运算结果：", x * y)
print("除法运算结果：", x / y)
print("幂运算结果：", x ** y)

1.2.5.2逻辑运算

print("判断两个张量对应位置元素是否相同：", x == y)

 1.2.5.3矩阵运算

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]])
print("按行连结结果", torch.cat((X, Y), dim=0))
print("按列连结结果：", torch.cat((X, Y), dim=1))

 1.2.5.4广播机制

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print("两个形状不匹配的张量相加结果：", a + b)

 

三。数据预处理

1. 读取数据集 house_tiny.csv、boston_house_prices.csv、Iris.csv

import pandas as pd
data_file1 = r"C:\Users\86186\PycharmProjects\lris\shuzhi\house_tiny.csv"
data_file2 = r"C:\Users\86186\PycharmProjects\lris\shuzhi\boston_house_prices.csv"
data_file3 = r"C:\Users\86186\PycharmProjects\lris\shuzhi\Iris.csv"
data1 = pd.read_csv(data_file1)
data2 = pd.read_csv(data_file2)
data3 = pd.read_csv(data_file3)
# print(data1)
print(data2)
# print(data3)

---

 2.处理缺失值

#将house_tiny.csv中的NAN缺失值设置为对应列的均值
inputs, outputs = data2.iloc[:, 0:5],data2.iloc[:, 5]
inputs = inputs.fillna(inputs.mean())

 3.转化为张量格式

# 将inputs和outputs中的所有条目都转换为Tensor格式,进而可以调用上述学到的方法
X, Y = torch.Tensor(inputs.values), torch.Tensor(outputs.values)
print(X.dtype)
print(Y.dtype)

 

总结

希望自己能够多学一点paddle和patorch的知识点，天赋不够，兴趣不足，后天尽量来凑