01数据处理

本篇文章为一些常见、不容易理解的张量运算。

对应视频04--07：

1.用 arange 创建一个行向量x

2.更改x形状 reshape

3.通过张量的shape属性来访问张量（沿每个轴的长度）的形状

深入理解，x有1个维度，y有2个维度，z有3个维度

 4. len与numel

                             

 

 5. -1与：

 

 6.按轴求和--降维

z有三个维度，axis=0，按第一个维度求和，第2、3个维度不变

          

 非降维，keepdims

7.求范数

torch.norm（）

对应视频08：

对以下代码段的理解

# 小批量数据读取
def data_iter(batch_size, features, labels):
    num_examples = len(features)  # num_examples为X中的行数 即多少组数据
    indices = list(range(num_examples))  # 生成索引列表[1，2，3，....，500]
    random.shuffle(indices)  # 随机读取索引 [23，42，103，....，487]
    for i in range(0, num_examples, batch_size):  # 步长为batch_size
        batch_indices = torch.tensor(  # 生成数据块，从列表的第i个元素到i+batch_size的元素即每次取10个
            indices[i: min(i + batch_size, num_examples)])  # 例 第一次取到[23，42，103，....，368]
        yield features[batch_indices], labels[batch_indices]  # 不断返回features和batch_indices中第23，42，103，....，368行数据

 

对应视频09

1.对代码

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)  # 加载所有数据，每256个为一组

的理解

    train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)  # 加载所有数据，每256个为一组
     print(len(train_iter))  

输出 235

2.对train_epoch_ch3中代码

 for X, y in train_iter:
         print(X.shape) 
         print(y.shape)
         print(y)

的理解，X.shape对应print的为

y.shape对应print的为：

y对应的print为：

 综合以上， train_iter中为235个数据块X，其中234个[256，1，28，28]，1个[96，1，28，28]。

60000=234*256+96    60000为图片总数。共235个y，每个y中有256个值，每个值对应真实的种类。

3.对 accuracy(y_hat, y)中代码

y_hat = y_hat.argmax(axis=1)    # 将y_hat每一行最大的值的索引取出放入y_hat

的理解

对应视频10

对激活函数relu的理解