动手学深度学习（二）数据操作+数据预处理

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，一个类别

1维：向量，[1,2,3]，一个特征向量

2维：3行样本*3列特征，一个样本的特征矩阵

3维：RGB图像三个通道（宽x高x通道）

4维：n个3维数组，RGB图像批量（批量大小x宽x高x通道）

5维：视频批量，图片和声音

创建数组

形状如3x4，数据类型如fp32，每个元素的值如全是0或随机数

访问元素

[1, 2] 一个元素

[1, :] 一行

[:, 1] 一列

[1:3, 1:] 第1行2行，从第1列开始到所有列

[::3, ::2] 从第0行开始，每3行一跳，从第0列开始，每2列一跳

数据操作实现

• 赋值

import torch # 导入PyTorch工具包

x = torch.arange(12) # 0到11共12个向量

x.shape() #查看维度，张量

x # 输出x

x.numel() #元素总数，标量

X= x.reshape(3, 4) # 转换成3*4维度

torch.zeros((2, 3, 4)) # 使矩阵内元素全0

torch.ones((2, 3, 4)) # 使矩阵内元素全1

y = torch.tensor([[1.0, 2, 3], [1, 2, 3]]) # 创建二维数组

• 运算

x + y, x - y, x * y # 对元素做运算

torch.exp(x) # 指数运算

X.sum() # 所有元素求和

•  连结多个张量

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) # 在第几维拼接

• 按元素判断

X == Y

• 广播机制

a = torch.arange(3).reshape((3, 1)) # 将1复制成2

b = torch.arange(2).reshape((1, 2)) # 将1复制成3

a, b

a + b

• 索引和切片

X[-1] # 访问最后一行

X[1: 3] # 第一行和第二行

X[0:2, :] = 12 # 区域赋值，第零和第一行赋值为12

• 节省内存

before = id(Y) # 

Y = Y + X

id(X) == before # 结果False