【花书笔记|PyTorch版】手动学深度学习1：预备知识（上）

2021.11.20 新坑！！！
本文包括内容：2章预备知识： 2.1数学操作、 2.2数据预处理 、2.3线性代数

二 预备知识

2.1 数据操作

2.1.1 入门操作

• 创建torch型数据

import torch
x = torch.arange(12)
x

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

• 用reshape()来变形

x.reshape(3,4)

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

x

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

• 我们发现，操作都是临时的 所以要改变形态，要赋一个名字（可以是同名）

• torch的类型为tensor，是张量，可以理解成是向量的总成（后面会介绍）

• 用.shape来看张量的形态

x.shape

torch.Size([12])

• 用.numel()来看元素个数

x.numel()

12

• 赋0 赋1

torch.zeros((2, 3, 4))

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.]]])

torch.ones((2, 3, 4))

tensor([[[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]],

        [[1., 1., 1., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]]])

• randn()随机赋值
• 其中的每个元素都从均值为0、标准差为1的标准高斯（正态）分布中随机采样。

torch.randn(3, 4)

tensor([[ 2.5246,  0.2407, -1.5535, -0.1901],
        [-0.1046, -0.9095, -0.0242,  2.6962],
        [ 1.3211,  2.3679, -0.0362,  0.2089]])

• 直接创建张量

torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])

tensor([[2, 1, 4, 3],
        [1, 2, 3, 4],
        [4, 3, 2, 1]])

2.1.2 运算

• 一般情况是元素之间做运算

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  # **运算符是求幂运算

(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.]))

• 用torch.exp()做e的指数运算

torch.exp(x)

tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

• 用torch.cat()做两个张量的连接操作,操作双方都是张量
• dim = 0是第一参考坐标系操作【行操作】
• dim = 1是第二参考坐标系操作【列操作】

X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4]