pytorch深度学习实战lesson5

目录

实践部分

数据操作

数据处理

---

课程网站：

04 数据操作 + 数据预处理【动手学深度学习v2】_哔哩哔哩_bilibili

第五课 数据操作

从本节课开始，我们将跟着李沐老师学习《动手学深度学习》

李沐老师

使用的架构是当今非常火热的pytorch架构，我们将从易到难学习这门课程，请你做好准备~

理论部分

当数据结构为矩阵时，每一行表示的是一个样本，每一列表示的是样本的特征。

访问元素：

上图中的“[1:3,1:]”表示的是取第一行到第3-1行且第一列之后的所有元素。

而“[::3,::2]”则表示：取从第零行开始每三行且从第零列开始每两列的元素。

实践部分

数据操作

首先导入torch，请注意，虽然架构名称是pytorch，但是我们导入的是torch而不是pytorch。

张量表示的是一个数值组成的数组，这个数组可能有多个维度，比如：

我们还可以使用张量的shape属性来访问张量的形状；使用numel访问张量中元素的总数。

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

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。可以使用zeros和ones。

通过提供包含数值的Python列表来为所需张量中的每个元素赋予确定值。两层方括号表示是二维的，三个方括号就表示是三维的。

常见的标准算术符运算符（加减乘除）都可以被升级为按元素运算。

还有按指数运算的exp()函数

矩阵拼接，需要考虑好维度。

可以通过逻辑运算符构建二元张量：

也就是判断X1和Y1之间有几个元素一样。一样的置TRUE不一样的置FALSE。

这里有个好玩的机制，叫做广播机制，即使形状不同的两个向量或矩阵，当他们相加时会变得形状相同。这就是广播机制：

数据的访问：

X[-1]表示访问X的最后一行；

X[1:3]表示访问X的第一行和第二行；

X[1,2]=9表示把第一行第二列的元素赋值成9；

X[0:2,:]=12表示0至一行的所有列赋值成12；

这里要注意：对矩阵进行赋值操作时，可能会导致内存发生变化。

比如13,14,15行：

但是如17,18,19,20行所示当我进行原地操作时，也就是提前保存好内存地址后再进行加法操作，内存地址就不会变。

还有一种方法就是，如果后续计算中没有重复使用X，那我们也可以使用X[:]=X+Y或者X+=Y来减少内存的开销。

数据处理

创建一个人工数据集，并存储在csv（逗号分隔符）文件中。

从创建的csv文件中加载原始数据集，这里使用pandas

为了处理缺失的数据，典型的方法包括插值和删除，这里考虑插值，如14,15,16行；

对于inputs中的类别值或离散值，将NAN视为一个类别，如17,18行；

现在inputs和outputs中的所有条目都是数值类型，他可以转换为张量格式如最后几行。