打开jupyter
1.打开 anaconda prompt
2、
conda activate pytorch
3、
jupyter notebook
4、已打开
基础
1.N维数组样例
2、创建数组
基础:数据操作
-
张量表示一个数值组成的数组,这个数组可能有多个维度
-
1、x=torch.arange(12)
我们可以通过张量的shape属性来访问张量的形状和张量中元素的总数
x=torch.arange(12) x # tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
-
2、x.numel() #这是一个标量
-
数据类型: x.shape
x.numel() #这是一个标量 #12 x.shape #torch.Size([12])
-
3、x=x.reshape(3,4) #改变一个张量的形状
要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。
x=x.reshape(3,4) #改变一个张量的形状 x #输出 tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
-
4、torch.zeros((2,3,4)) #创建的全为0的 torch.ones((2,3,4)) #创建的全为1的
使用全0、全1、其他常量或者从特定分布中随机采样的数字
torch.zeros((2,3,4)) #创建的全为0的 #输出 tensor([[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]], [[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]])
-
5、torch.tensor([[1,2,5,4],[5,1,7,7]])
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
torch.tensor([[1,2,5,4],[5,1,7,7]]) #输出 tensor([[1, 2, 5, 4], [5, 1, 7, 7]])
-
6、常见的标准算术运算符(+、-、*、/和**)都可以被升级为按元素运算
x=torch.tensor([1.0,2,4,8]) y=torch.tensor([2,2,2,2]) x+y,x-y,x*y,x/y,x**y #输出 (tensor([ 3., 4., 6., 10.]), tensor([-1., 0., 2., 6.]), tensor([ 2., 4., 8., 16.]), tensor([0.5000, 1.0000, 2.0000, 4.0000]), tensor([ 1., 4., 16., 64.])) torch.exp(x)#指数 #输出 tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
-
7、众多张量连结在一起 ,矩阵合并,dim=0:上下合并,dim=1,左右拼接
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) #矩阵合并,dim=0:上下合并,dim=1,左右拼接 (tensor([[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.], [ 2., 1., 4., 3.], [ 1., 2., 3., 4.], [ 4., 3., 2., 1.]]), tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.], [ 4., 5., 6., 7., 1., 2., 3., 4.], [ 8., 9., 10., 11., 4., 3., 2., 1.]]))
-
8、通过逻辑运算符构建二元张量
x==y #输出 tensor([[False, True, False, True], [False, False, False, False], [False, False, False, False]])
-
9、对张量中的所有元素进行求和会产生一个只有一个元素的张量。
x.sum() #输出 tensor(66.)
-
10、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
a= torch.arange(3).reshape((3,1)) b= torch.arange(2).reshape((1,2)) a,b #输出 (tensor([[0], [1], [2]]), tensor([[0, 1]])) a+b #输出 tensor([[0, 1], [1, 2], [2, 3]])
-
11、除读取外,我们还可以通过指定索引来将元素写入矩阵。
x[1,2]=9 x #输出 tensor([[ 0., 1., 2., 3.], [ 4., 5., 9., 7.], [ 8., 9., 10., 11.]])
-
12、为多个元素赋值相同的值,我们只需要索引所有元素,然后为它们赋值。
x[0:2,:]=9 x #输出 tensor([[ 9., 9., 9., 9.], [ 9., 9., 9., 9.], [ 8., 9., 10., 11.]])
-
13、运行一些操作可能会导致为新结果分配内存
before=id(y) y=y+x id(y)==before #输出 False
-
14、执行原操作
z=torch.zeros_like(y) print('id(z)',id(z)) z[:]=x+y print('id(z)',id(z)) #输出 id(z) 2198435176016 id(z) 2198435176016
-
15、如果在后续计算中没有重复使用,我们也可以使用X[ : ] = x +Y或×+=Y来减少操作的内存开销。
before=id(x) x+=y id(x)==before #输出 True
-
16、转换为NumPy张量
A=x.numpy() B=torch.tensor(A) type(A),type(B) #输出 (numpy.ndarray, torch.Tensor)
-
17、将大小为1的张量转换为Python标量
a=torch.tensor([3.5]) a,a.item(),float(a),int(a) #输出 (tensor([3.5000]), 3.5, 3.5, 3)
基础:数据预处理
1、创建一个人工数据集,并存储在csv (逗号分隔值)文件
import os
os.makedirs(os.path.join('.','data'),exist_ok=True) #创建文件夹
data_file=os.path.join('.','data','house_tiny.csv') #文件名:house_tiny.csv
with open(data_file,'w') as f:
f.write('NumRooms,Alley,Price\n')#列名
f.write('NA,Pave,127500\n')#每行表示一个数据样本
f.write('2,NA,106000\n')
f.write('4,NA,178100\n')
f.write('NA,NA,140000\n')
2、从创建的csv文件中加载原始数据集
#如果没有安装pandas ,取消下一行注释
# !pip install pandas
import pandas as pd
data=pd.read_csv(data_file)
print(data)
#输出
NumRooms Alley Price
0 NaN Pave 127500
1 2.0 NaN 106000
2 4.0 NaN 178100
3 NaN NaN 140000
3、为了处理缺失的数据,典型的方法包括插值和删除,这里,我们将考虑插值
inputs,outputs=data.iloc[:,0:2],data.iloc[:,2]
inputs=inputs.fillna(inputs.mean()) #NumRooms 填成平均值
print(inputs)
#输出
NumRooms Alley
0 3.0 Pave
1 2.0 NaN
2 4.0 NaN
3 3.0 NaN
4、对于inputs中的类别值或离散值,我们将“NaN”视为一个类别。
inputs=pd.get_dummies(inputs,dummy_na=True)
print(inputs)
#输出
NumRooms Alley_Pave Alley_nan
0 3.0 1 0
1 2.0 0 1
2 4.0 0 1
3 3.0 0 1
5、现在inputs和outputs 中的所有条目都是数值类型,它们可以转换为张量格式。
import torch
x,y=torch.tensor(inputs.values),torch.tensor(outputs.values)
x,y
#输出
(tensor([[3., 1., 0.],
[2., 0., 1.],
[4., 0., 1.],
[3., 0., 1.]], dtype=torch.float64),
tensor([127500, 106000, 178100, 140000]))