CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！https://v9999.blog.csdn.net/article/details/127587345欢迎大家订阅(2023版)理论篇
以下为2021版原文~~~~
1.数组样例 2.数据操作（代码实现与结果截图） #首先导入torch，虽然被称为pytorch，但是我们应该导入torch而不是pytorchimport torch #张量表示一个数值组成的数组，这个数字可能有多个维度#这个行向量包含从0开始的前12个整数，默认创建为浮点数。张量中的每个值都称为张量的元素（element）。#例如，张量x中有12个元素。除非额外指定，否则新的张量将存储在内存中，并采用基于CPU的计算。x=torch.arange(12)x x.shape() #shape不是函数哦 #通过张量的shape属性来访问张量的形状 （沿每个轴的长度）x.shape x.numel() #x的总数 #要改变一个张量的形状，而不改变元素的数量和元素值，我们可以调用reshape()#注意，通过改变张量的形状，张量的大小不会改变。x = x.reshape(3,4)x#不需要通过手动指定每个维度来改变形状。#如果我们的目标形状是（高度,宽度），那么在知道宽度后，高度应当会隐式得出，我们不必自己做除法。在上面的例子中，为了获得一个3行的矩阵，我们手动指定了它有3行和4列。幸运的是，张量在给出其他部分后可以自动计算出一个维度。#可以通过在希望张量自动推断的维度放置-1来调用此功能。#即 x.reshape(-1,4) 或 x.reshape(3,-1) 等价于 x.reshape(3,4)。 #使用全0的张量torch.zeros((2,3,4)) #使用全1的张量torch.ones((2,3,4)) #使用包含数值的python列表给张量中的每个元素赋予确定值torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]]) #标准算数运算符可以升级为按照元素运算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 #创建一个形状为（3,4）的张量。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([[-0.9464, 0.7712, -0.0070, 1.0236],[-2.1246, -0.7854, -1.9674, -0.1727],[ 0.0397, -0.0477, -0.0160, -0.0113]]) #按元素的方式进行更多的计算torch.exp(x) X = torch.arange(12, dtype=torch.float32).reshape((3,4))Y = torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])torch.cat((X,Y),dim=0), torch.cat((X,Y),dim=1) #dim=0按列排列 #dim=1按行排列 #通过逻辑运算符构建二元张量X == Y#对于每个位置，如果X和Y在该位置相等，则新张量中相应项的值为1，这意味着逻辑语句X == Y在该位置处为真，否则该位置为0。 #对于张量中的所有元素求和会产生只有一个元素的张量X.sum() 2.1.3广播机制
在某些情况下，即使形状不同，我们仍然可以通过调用广播机制（broadcasting mechanism）来执行按元素操作。这种机制的工作方式如下：首先，通过适当复制元素来扩展一个或两个数组，以便在转换之后，两个张量具有相同的形状。其次，对生成的数组执行按元素操作。
#形状不同 张量会进行广播机制a = torch.arange(3).reshape((3,1))b = torch.arange(2).reshape((1,2))a,b #广播机制 #由于a和b分别是 3×1 和 1×2 矩阵，如果我们让它们相加，它们的形状不匹配。我们将两个矩阵广播为一个更大的 3×2 矩阵，如下所示：矩阵a将复制列，矩阵b将复制行，然后再按元素相加。a + b #[-1]选择最后一个元素，[1:3]选择第二个和第三个元素X[-1],X[1:9] #1到9 但是最多有2行所以就显示了第1行和第2行 #通过指定索引来将元素写入矩阵X[1,2]=9X #为多个元素赋相同的值X[0:2,:] =12 #将0至2行，全部赋值为12X #运行一些操作可能会为新结果分配内存before = id(Y) Y = X + Yid(Y) == before #执行原地操作 内存没有变化Z = torch.zeros_like(Y)print('id(Z)',id(Z))Z[:] = X + Yprint('id(Z)',id(Z)) #如果后续计算中没有重复使用x，我们可以使用x[:]=X+Y 或者 x+=y来减少操作的内存开销before = id(X)X += Y #+=的本质是调用append（）id(X) == before A = X.numpy() #转化为numpy张量B = torch.tensor(A)type(A),type(B) a = torch.tensor([3.5])#将大小为1的张量转化为python的标量a,a.item(),float(a),int(a) 3.csv的读取（代码实现与结果截图）我们将简要介绍使用pandas预处理原始数据并将原始数据转换为张量格式的步骤。我们将在后面的章节中介绍更多的数据预处理技术。
import os#创建一个人工数据集并且存储在csv(逗号分割值)的文件中os.makedirs(os.path.join('..','data'),exist_ok=True)data_file = os.path.join('..','data','house_tiny.csv')with open(data_file,'w') as f:f.write('NumRooms,Alley,Price\n') # 列名f.write('NA,Pave,127500\n') # 第1行的值f.write('2,NA,106000\n') # 第2行的值f.write('4,NA,178100\n') # 第3行的值f.write('NA,NA,140000\n') # 第4行的值 import pandas as pd#从创建的csv文件中加载原始数据集data = pd.read_csv(data_file)print(data) data #注意，“NaN”项代表缺失值。为了处理缺失的数据，典型的方法包括插值和删除，其中插值用替代值代替缺失值。而删除则忽略缺失值。在这里，我们将考虑插值。#通过位置索引iloc，我们将data分成inputs和outputs，其中前者为data的前两列，而后者为data的最后一列。对于inputs中缺少的数值，我们用同一列的均值替换“NaN”项。inputs,outputs = data.iloc[:,0:2],data.iloc[:,2]inputs = inputs.fillna(inputs.mean()) #在缺失数据处 添加平均值print(inputs)#对于inputs中的类别值或离散值，我们将NaN视为一个类别inputs = pd.get_dummies(inputs,dummy_na=True) #按类分print(inputs)
import torchX, y = torch.tensor(inputs.values),torch.tensor(outputs.values)X, y 3.QA
1. b=a.reshape 并没有申请新的内存空间
2.学习一下numpy
3.快速区分维度：a.shape
4.视频笔记截图
