深度学习numpy与tensor基础知识、关系与区别，通过pytorch构建网络加载数据

开局首先一句话

import numpy as np
import torch

一、numpy在深度学习中的经典用法

1、生成numpy数组

• 直接转换np.array(list1）
• random模块生成np.random.random([3,3])
• 创建特定形状np.zeros([3,3])
• arange/linspace模块生成np.arange(1,4,0.5)，只有一个数字的话为1-数字

2、获取元素

• 与python中类似，直接nd11[3:6]
• random.choice函数可以从指定样本中随机抽取数据

3、Numpy的数学运算

• 对应相乘：A*B/np.numtiply(a,b)
• 点乘运算：np.dot()

4、数组变形

4.1、更改数组形状

• reshape改变向量的维度（不改变向量本身）

import numpy as np
arr = np.arange(6).reshape(2,-1)

• resize改变向量的维度（修改向量本身）np.arange(6).resize(2,-1)
• T转置 np.arrange(12).reshape(3,4).T
• revel展平

import numpy as np
arr = np.arange(6).reshape(2,-1)
print(arr)
print(arr.ravel('F'))#按列优先展平
print(arr.ravel())#按行优先展平

• flatten 将矩阵转成向量，卷积与全连接层之间进行

a = np.floor(10*np.random.random((3,4)))
print(a)
print(a.flatten())

• squeeze压缩掉含1的维度arr.squeeze().shape
• transposearr2 = np.arange(24).reshape(2,3,4).transpose(1,2,0)

4.2、合并数组

• append在后面添加np.append(a,b,axis=0)0为行合并，1为列合并
• concatenate沿指定轴连接数组或者矩阵np.concatenate((a,b),axis=0)
• stack沿指定轴堆叠数组或矩阵np.stack((a,b),axis=0)

5、批量处理

import numpy as np

data_train = np.random.randn(10000,2,3)
print(data_train.shape)
np.random.shuffle(data_train)
batch_size = 100
for i in range(0,len(data_train),batch_size):
    x_batch_sum = np.sum(data_train[i:i+batch_size])
    print("第{}批次，该批次数据的和：{}".format(i,x_batch_sum))

6、通用函数

两种基本对象：ndarry和ufunc对象

• math与numpy：numpy.sin比math.sin快近10倍
• 循环与向量：向量要比循环快的多

7、广播机制

import numpy as np
A = np.arange<