Chapter 1 预备知识——数据操作

        深度学习在处理数据的过程中，有其独特的数据存储形式——张量，在模型的训练、验证过程中，都是以张量的格式来进行的。因此，需要了解 pytorch 框架下张量的基本操作，才可以理解后面的课程内容。

---

目录

1 定义张量

2 张量操作

3 张量的广播机制

4 张量的切片

5 内存节省

---

1 定义张量

import torch
x=torch.arange(4)
print(x)
# out<< tensor([0 1 2 3])

还有多种方式可以生成张量

• 零张量、一张量生成
• 通过列表转化
• 后续继续学习补充 

---

2 张量操作

主要有张量的拼接，张量转化为numpy张量、标量，张量的加减乘乘法幂次运算、逻辑运算、求和运算等多种运算方式，可进行集中学习补充

---

3 张量的广播机制

我们有时可能会定义一些维度并不相同的张量，这时，由于广播机制的存在，它们之间仍然能够进行运算，有时这会对我们有所帮助，当有时也会产生错误。广播机制存在于两个维度相等的张量间

import torch
a=torch.arange(3).reshape(3,1)
b=torch.arange(2).reshape(1,2)
print(a)
print(b)
#(tensor([[0],
#        [1],
#         [2]]),
# tensor([[0, 1]]))
print(a+b)
# tensor([[0, 1],
#        [1, 2],
#        [2, 3]])

原因就是在于，在进行加法运算时，由于广播机制的存在，将a沿列复制成了一个(3×2)的张量，二把b沿行复制成立(3×2)的张量。加法运算得以继续进行。

4 张量的切片

基本规则和numpy相似，后续进行学习补充和对比

5 内存节省

与python的一些运行机制有关，主要是在变量的声明、赋值时。