深度学习数据处理（一）

        在PyTorch中，torch.Tensor是存储和变换数据的主要工具。如果你之前用过NumPy，你会发现Tensor和NumPy的多维数组非常类似。然而，Tensor提供GPU计算和自动求梯度等更多功能，这些使Tensor更加适合深度学习。

        张量（tensor）是数学和物理学中的概念，它表示任意维度的数组或矩阵。在机器学习和人工智能领域，张量是存储和处理数据的基本数据结构。在深度学习中，张量是神经网络中传递和操作数据的基本单位。它可以是标量（0维张量）、向量（1维张量）、矩阵（2维张量）或更高维度的数组。张量不仅可以包含数字数据，还可以包含其他类型的数据，如字符串、图像等。通过张量，我们可以进行各种数学运算和变换，如加法、乘法、卷积等。深度学习框架如TensorFlow和PyTorch提供了丰富的张量操作函数和工具，使得处理和操作张量变得更加方便和高效。

创建Tensor

         在使用深度学习框架（如TensorFlow或PyTorch）时，可以使用相应的函数来创建张量。以下是创建张量的一些常见方法：

 

1. 使用给定值创建张量：

   import tensorflow as tf
   
   # 创建一个标量（0维张量）
   scalar = tf.constant(5)
   
   # 创建一个向量（1维张量）
   vector = tf.constant([1, 2, 3])
   
   # 创建一个矩阵（2维张量）
   matrix = tf.constant([[1, 2, 3], [4, 5, 6]])
   
   # 创建一个3维张量
   tensor = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
   

2. 使用随机值创建张量：

   import tensorflow as tf
   
   # 创建一个形状为(2, 3)的随机矩阵（2维张量）
   random_matrix = tf.random.normal(shape=(2, 3))
   
   # 创建一个形状为(3, 3)的随机矩阵（2维张量），数值范围在0到1之间
   random_uniform = tf.random.uniform(shape=(3, 3), minval=0, maxval=1)
   

Tensor官方API

                    

 操作

1. 数学运算：

   • tf.add(x, y)：逐元素相加。
   • tf.subtract(x, y)：逐元素相减。
   • tf.multiply(x, y)：逐元素相乘。
   • tf.divide(x, y)：逐元素相除。
   • tf.square(x)：逐元素求平方。
   • tf.sqrt(x)：逐元素求平方根。
   • tf.exp(x)：逐元素求指数。
   • tf.log(x)：逐元素求自然对数。

2. 形状操作：

   • tf.reshape(tensor, shape)：重新调整张量的形状。
   • tf.transpose(tensor, perm=None)：交换张量的维度顺序。
   • tf.expand_dims(input, axis=None)：在指定轴上扩展维度。
   • tf.squeeze(input, axis=None)：压缩维度为1的轴。
   • tf.concat(tensors, axis)：沿指定轴连接张量。

3. 矩阵操作：

   • tf.matmul(a, b)：矩阵相乘。
   • tf.transpose(tensor, perm=None)：矩阵转置。
   • tf.linalg.inv(tensor)：矩阵求逆。

4. 逻辑运算：

   • tf.equal(x, y)：逐元素比较是否相等。
   • tf.not_equal(x, y)：逐元素比较是否不相等。
   • tf.greater(x, y)：逐元素比较是否大于。
   • tf.greater_equal(x, y)：逐元素比较是否大于等于。
   • tf.less(x, y)：逐元素比较是否小于。
   • tf.less_equal(x, y)：逐元素比较是否小于等于。

5. 神经网络相关操作：

   • tf.nn.relu(x)：ReLU（整流线性单元）激活函数。
   • tf.nn.softmax(logits)：计算 softmax 函数。
   • tf.nn.conv2d(input, filter, strides, padding)：二维卷积操作。
6. 

  

广播机制

       广播（Broadcasting）是指在 TensorFlow 中，当两个张量在某些维度上的形状不匹配时，自动对其中一个或两个张量进行形状扩展，使它们的形状能够相互兼容，进而进行逐元素的操作。广播机制的目的是为了避免显式地复制数据，从而提高计算效率。以下是广播机制的规则：

1. 如果两个张量在某个维度上的形状相等，或其中一个张量在该维度上的长度为1，则称它们在该维度上是可广播的。
2. 当两个张量在某个维度上的形状不匹配时，可以通过对其中一个或两个张量在该维度上进行形状扩展，使它们的形状变得兼容，即满足广播机制的要求。
3. 在广播过程中，会对形状较小的张量进行扩展，使其形状与形状较大的张量相匹配。扩展的方式是在形状较小的张量的形状前面添加维度长度为1的维度。

import tensorflow as tf

# 创建两个张量
a = tf.constant([[1, 2, 3]])
b = tf.constant([[4], [5], [6]])

# 形状不匹配，但是可以通过广播进行计算
# a 形状：(1, 3)
# b 形状：(3, 1)
# 广播后的形状：(3, 3)
result = a + b

print(result.numpy())
# 输出：
# [[5 6 7]
#  [6 7 8]
#  [7 8 9]]

 Tensor和NumPy相互转换

使用numpy()将Tensor转换成NumPy数组:

a = torch.ones(5)
b = a.numpy()
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)

使用from_numpy()将NumPy数组转换成Tensor:

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)

此外上面提到还有一个常用的方法就是直接用torch.tensor()将NumPy数组转换成Tensor，需要注意的是该方法总是会进行数据拷贝，返回的Tensor和原来的数据不再共享内存。

# 用torch.tensor()转换时不会共享内存
c = torch.tensor(a)
a += 1
print(a, c)

Tensor on GPU

用方法to()可以将Tensor在CPU和GPU（需要硬件支持）之间相互移动。

# 以下代码只有在PyTorch GPU版本上才会执行
if torch.cuda.is_available():
    device = torch.device("cuda")          # GPU
    y = torch.ones_like(x, device=device)  # 直接创建一个在GPU上的Tensor
    x = x.to(device)                       # 等价于 .to("cuda")
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # to()还可以同时更改数据类型

总结

      TensorFlow 是一个功能强大的机器学习框架，具有广泛的应用和活跃的社区支持。在使用 TensorFlow 进行机器学习和深度学习开发时，需要掌握一些基本概念和技术，例如：

1. 张量：TensorFlow 中的基本数据类型，它们是多维数组，可以表示各种类型的数据。

2. 计算图：TensorFlow 的计算模型，它由一系列节点和边组成，每个节点代表一个操作，边代表张量的流动。

3. 变量：TensorFlow 中的状态，它们是可以被训练的张量，可以存储模型的参数和其他状态信息。

4. 会话：TensorFlow 执行计算图的环境，它可以将计算图部署到 CPU 或 GPU 上进行计算。

5. 损失函数：衡量模型预测结果和实际结果之间的差异，从而指导模型的训练。

6. 优化器：根据损失函数的梯度信息，更新模型参数的算法，例如随机梯度下降。

7. Dropout、Batch Normalization 等正则化技术：减少模型过拟合的方法。

8. 卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型：用于处理图像、语音、自然语言等任务。

9. 数据预处理技术：包括标准化、归一化、数据增强等方法，用于提高模型的鲁棒性和泛化能力。

10. 广播机制：在张量形状不匹配时，自动对其中一个或两个张量进行形状扩展，使它们的形状能够相互兼容。