动手学习深度学习-task2-数据处理

学习目标：

• 掌握Pytroch预备知识

---

学习内容：

1. 数据操作
2. 数据预处理
3. 线代
4. 矩阵计算
5. 自动求导

---

学习时间：

• 2023.3.24

---

学习过程：

1.数据操作

入门操作

// An highlighted block
import torch     #引入pytorhc包
#使用arange创建一个张量
x = torch.arange(12)

// An highlighted block
x.shape() #获取张量的形状，可以理解为获取每个轴长度，此处为一维张量。

x.numel() #计算张量中所有元素个数

X = x.reshape(3, 4) #改变张量的形状 也可以指定一个参数，用-1自动计算出另一个维度

torch.zeros((2, 3, 4)) #创建一个形状为（2,3,4）的张量，其中所有元素都设置为0

torch.ones((2, 3, 4)) #创建一个形状为(2,3,4)的张量，其中所有元素都设置为1
torch.randn(3, 4) #创建一个形状为（3,4）的张量。 其中的每个元素都从均值为0、标准差为1的标准高斯分布（正态分布）中随机采样

#生成张张量形状上边相同，就不放结果图了

torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]) #通过提供包含数值的Python列表（或嵌套列表），来为所需张量中的每个元素赋予确定值

运算符

x = torch.tensor([1.0, 2, 4, 8]) 
y = torch.tensor([2, 2, 2, 2])
#同一形状的任意两个张量上调用按元素操作
x + y, x - y, x * y, x / y, x ** y  # **运算符是求幂运算

torch.exp(x) #求幂函数

#张量的连结
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)
#dim=0 按照行（轴0）来连结 dim=1 按照列（轴1）来连结

X == Y #逻辑运算 输出true或false
X.sum() #求和运算 输出单个元素张量

广播机制

广播机制的工作方式

1.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。

2.对生成的数组执行按元素操作。

在大多数情况下，我们将沿着数组中长度为1的轴进行广播。

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b

a + b

索引和切片

X[-1], X[1:3] #可以用[-1]选择最后一个元素，可以用[1:3]选择第二个和第三个元素]

X[1, 2] = 9 #通过指定索引来将元素写入矩阵

节省内存

运行一些操作可能会导致为新结果分配内存

# 我们可以使用切片表示法将操作的结果分配给先前分配的数组
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))

#如果在后续计算中没有重复使用X， 我们也可以使用X[:] = X + Y或X += Y来减少操作的内存开销。
before = id(X)
X += Y
id(X) == before

转换为其他Python对象

#转换为NumPy张量（ndarray）
A = X.numpy()
B = torch.tensor(A)
type(A), type(B)

#要将大小为1的张量转换为Python标量，我们可以调用item函数或Python的内置函数。
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)