动手学习深度学习：1.基础

打开jupyter

1.打开 anaconda prompt

2、

conda activate pytorch

3、

jupyter notebook

4、已打开

基础

1.N维数组样例

2、创建数组

基础：数据操作

• 张量表示一个数值组成的数组，这个数组可能有多个维度

• 1、x=torch.arange(12)

  我们可以通过张量的shape属性来访问张量的形状和张量中元素的总数

  x=torch.arange(12)
  x
  
  #
  tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])
  

• 2、x.numel() #这是一个标量

• 数据类型： x.shape

  x.numel() #这是一个标量
  #12
  
  x.shape
  #torch.Size([12])
  

• 3、x=x.reshape(3,4) #改变一个张量的形状

  要改变一个张量的形状而不改变元素数量和元素值，我们可以调用reshape函数。

  x=x.reshape(3,4) #改变一个张量的形状
  x
  
  #输出
  tensor([[ 0,  1,  2,  3],
          [ 4,  5,  6,  7],
          [ 8,  9, 10, 11]])
  

• 4、torch.zeros((2,3,4)) #创建的全为0的 torch.ones((2,3,4)) #创建的全为1的

  使用全0、全1、其他常量或者从特定分布中随机采样的数字

  torch.zeros((2,3,4))  #创建的全为0的
  
  #输出
  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.]]])
  

• 5、torch.tensor([[1,2,5,4],[5,1,7,7]])

  通过提供包含数值的Python列表（或嵌套列表）来为所需张量中的每个元素赋予确定值

  torch.tensor([[1,2,5,4],[5,1,7,7]])
  #输出
  tensor([[1, 2, 5, 4],
          [5, 1, 7, 7]])
  

• 6、常见的标准算术运算符（+、-、*、/和**)都可以被升级为按元素运算

  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
  #输出
  (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.]))
  
  
  torch.exp(x)#指数
  #输出
  tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
  

• 7、众多张量连结在一起 ,矩阵合并，dim=0:上下合并，dim=1,左右拼接

  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)
  
  #矩阵合并，dim=0:上下合并，dim=1,左右拼接
  (tensor([[ 0.,  1.,  2.,  3.],
           [ 4.,  5.,  6.,  7.],
           [ 8.,  9., 10., 11.],
           [ 2.,  1.,  4.,  3.],
           [ 1.,  2.,  3.,  4.],
           [ 4.,  3.,  2.,  1.]]),
   tensor([[ 0.,  1.,  2.,  3.,  2.,  1.,  4.,  3.],
           [ 4.,  5.,  6.,  7.,  1.,  2.,  3.,  4.],
           [ 8.,  9., 10., 11.,  4.,  3.,  2.,  1.]]))
  

• 8、通过逻辑运算符构建二元张量

  x==y
  
  #输出
  tensor([[False,  True, False,  True],
          [False, False, False, False],
          [False, False, False, False]])
  

• 9、对张量中的所有元素进行求和会产生一个只有一个元素的张量。

  x.sum()
  
  #输出
  tensor(66.)
  

• 10、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

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

• 11、除读取外，我们还可以通过指定索引来将元素写入矩阵。

  x[1,2]=9
  x
  #输出
  tensor([[ 0.,  1.,  2.,  3.],
          [ 4.,  5.,  9.,  7.],
          [ 8.,  9., 10., 11.]])
  

• 12、为多个元素赋值相同的值，我们只需要索引所有元素，然后为它们赋值。

  x[0:2,:]=9
  x
  #输出
  tensor([[ 9.,  9.,  9.,  9.],
          [ 9.,  9.,  9.,  9.],
          [ 8.,  9., 10., 11.]])
  

• 13、运行一些操作可能会导致为新结果分配内存

  before=id(y)
  y=y+x
  id(y)==before
  
  #输出
  False
  

• 14、执行原操作

  z=torch.zeros_like(y)
  print('id(z)',id(z))
  
  z[:]=x+y
  print('id(z)',id(z))
  
  #输出
  id(z) 2198435176016
  id(z) 2198435176016
  
  

• 15、如果在后续计算中没有重复使用，我们也可以使用X[ : ] = x +Y或×+=Y来减少操作的内存开销。

  before=id(x)
  x+=y
  id(x)==before
  
  #输出
  True
  

• 16、转换为NumPy张量

  A=x.numpy()
  B=torch.tensor(A)
  type(A),type(B)
  
  #输出
  (numpy.ndarray, torch.Tensor)
  

• 17、将大小为1的张量转换为Python标量

  a=torch.tensor([3.5])
  a,a.item(),float(a),int(a)
  
  #输出
  (tensor([3.5000]), 3.5, 3.5, 3)
  

基础：数据预处理

1、创建一个人工数据集，并存储在csv (逗号分隔值)文件

import os

os.makedirs(os.path.join('.','data'),exist_ok=True) #创建文件夹
data_file=os.path.join('.','data','house_tiny.csv') #文件名：house_tiny.csv

with open(data_file,'w') as f:
    f.write('NumRooms,Alley,Price\n')#列名
    f.write('NA,Pave,127500\n')#每行表示一个数据样本
    f.write('2,NA,106000\n')
    f.write('4,NA,178100\n')
    f.write('NA,NA,140000\n')

2、从创建的csv文件中加载原始数据集

#如果没有安装pandas ，取消下一行注释
# !pip install pandas
import pandas as pd

data=pd.read_csv(data_file)
print(data)

#输出
   NumRooms Alley   Price
0       NaN  Pave  127500
1       2.0   NaN  106000
2       4.0   NaN  178100
3       NaN   NaN  140000

3、为了处理缺失的数据，典型的方法包括插值和删除，这里，我们将考虑插值

inputs,outputs=data.iloc[:,0:2],data.iloc[:,2]
inputs=inputs.fillna(inputs.mean())   #NumRooms 填成平均值
print(inputs)

#输出
   NumRooms Alley
0       3.0  Pave
1       2.0   NaN
2       4.0   NaN
3       3.0   NaN

4、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)
print(inputs)

#输出
   NumRooms  Alley_Pave  Alley_nan
0       3.0           1          0
1       2.0           0          1
2       4.0           0          1
3       3.0           0          1

5、现在inputs和outputs 中的所有条目都是数值类型，它们可以转换为张量格式。

import torch
x,y=torch.tensor(inputs.values),torch.tensor(outputs.values)
x,y

#输出
(tensor([[3., 1., 0.],
         [2., 0., 1.],
         [4., 0., 1.],
         [3., 0., 1.]], dtype=torch.float64),
 tensor([127500, 106000, 178100, 140000]))