深度学习入门笔记（李沐）(一)
2024-04-08 21:58:48
深度学习入门学习记录（一）
文章目录
- 深度学习入门学习记录（一）
- 一、数据处理基础知识
- 二、数据预处理
- 1.创建一个人工数据集，并且储存在csv的文件
一、数据处理基础知识
x = torch.arange(12) # 张量（tensor）表示由一个数值组成的数组，这个数组可能有多个维度。
print(x) # tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
print(x.shape) # 用shape访问张量的形状 torch.Size([12])
print(x.numel()) # 访问元素中的总数 12x = x.reshape(3, 4) # 改变张量的形状而不改变元素的值 crtl+/可以批量注释代码 （H，W）（行，列）
print(x)
# tensor([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
x = torch.zeros((2, 3, 4)) # 使用全0生产一个张量 （C，H，W）（通道，行，列）
print(x)
# 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.]]])
x = torch.ones((2, 3, 4)) # 使用全1生产一个张量
print(x)
# tensor([[[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]],
#
# [[1., 1., 1., 1.],
# [1., 1., 1., 1.],
# [1., 1., 1., 1.]]])
x = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]) # 通过嵌套列表[]创建一个二维数组
print(x)
# tensor([[2, 1, 4, 3],
# [1, 2, 3, 4],
# [4, 3, 2, 1]])
x = torch.tensor([[[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]], [[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]]) # 通过嵌套列表[]创建一个三维数组
print(x)
# tensor([[[2, 1, 4, 3],
# [1, 2, 3, 4],
# [4, 3, 2, 1]],
#
# [[2, 1, 4, 3],
# [1, 2, 3, 4],
# [4, 3, 2, 1]]])# x + y, x - y, x * y, x / y, x ** y **运算符是求幂运算x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print(x + y)
print(x - y)
print(x * y)
print(x / y)
print(x ** y) # 底是x，幂次是y
print(torch.exp(x)) # 求指数的运算
# 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.])
# tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])# 可以把多个张量连接在一起
x = torch.arange(12, dtype=torch.float32).reshape((3, 4)) # 按浮点型生产一个0-11的一维数组再变成一个3*4的二维数组
y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(x)
print(y)
c = torch.cat((x, y), dim=0) # 把两个元素合并在一起，在0维度的情况下（在行）
d = torch.cat((x, y), dim=1) # 把两个元素合并在一起，在1维度的情况下（在列）
print(c)
print(d)
# tensor([[ 0., 1., 2., 3.],
# [ 4., 5., 6., 7.],
# [ 8., 9., 10., 11.]])
# tensor([[2., 1., 4., 3.],
# [1., 2., 3., 4.],
# [4., 3., 2., 1.]])
# 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.]])# 通过逻辑运算符构建二元张量a = torch.arange(1, 13).reshape(3, 4)
b = torch.arange(13, 25).reshape(3, 4)
print(a)
print(b)
print(a == b)
# tensor([[ 1, 2, 3, 4],
# [ 5, 6, 7, 8],
# [ 9, 10, 11, 12]])
# tensor([[13, 14, 15, 16],
# [17, 18, 19, 20],
# [21, 22, 23, 24]])
# tensor([[False, False, False, False],
# [False, False, False, False],
# [False, False, False, False]])print(a.sum()) # 数组所有元素求和 tensor(78)# 即使形状不同（要保证是同维度），仍然可以通过广播机制就行元素操作,即统一为3*2（行的最大，列的最大）
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a + b)
# tensor([[0, 1],
# [1, 2],
# [2, 3]])# 元素的访问
x = torch.arange(12).reshape((3, 4))
print(x)
print(x[1, 2])
print(x[-1]) # 访问最后一行元素
print(x[1:3]) # 访问2-3行元素# tensor([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])
# tensor(6)
# tensor([ 8, 9, 10, 11])
# tensor([[ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])# 元素的赋值
x = torch.arange(12).reshape((3, 4))
x[1, 2] = 9
x[2:3, :] = 12 # 把第三行都变成12
print(x)
# tensor([[ 0, 1, 2, 3],
# [ 4, 5, 9, 7],
# [12, 12, 12, 12]])# 运行一些操作会导致为新结果分配内存c = 1
b = 2
before = id(c)
c = c + b
print(before == id(c))a = torch.arange(1, 13).reshape(3, 4)
b = torch.arange(13, 25).reshape(3, 4)
before = id(a)
a = a + b # 这里的a是创建新的内存来存放
print(before == id(a))# 执行原地操作
z = torch.zeros_like(a)
before = id(z)
z[:] = a + b # z[:]是指对z的元素进行改写
print(before == id(z))a = torch.arange(1, 13).reshape(3, 4)
b = torch.arange(13, 25).reshape(3, 4)
before = id(a)
a[:] = a + b # 这里的a[:]=a+b和a+=b都是直接改写a，没有新建新的变量，可以减少内存开销
a += b
print(before == id(a))# 转换numpy张量
a = torch.arange(1, 13).reshape((3, 4))
a = a.numpy()
b = torch.tensor(a)
print(type(a), type(b))# 将大小为1的张量转换为python标量a = torch.tensor([3.5])
print(a, a.item(), float(a), int(a))# <class 'numpy.ndarray'> <class 'torch.Tensor'>
# tensor([3.5000]) 3.5 3.5 3
二、数据预处理
1.创建一个人工数据集，并且储存在csv的文件
代码如下（示例）：
import os
import pandas as pd
import torchos.makedirs(os.path.join('', 'data'), exist_ok=True) # os.path.join用于拼接文件路径
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') # 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')f.close()data = pd.read_csv(data_file)
print(data)# 为了处理缺失的数据，典型的方法包括插值和删除，这里考虑插值法
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2] # iloc[a,b] 对数据进行位置索引，从而在数据表中提取出相应的数据。 a是行索引，b是列索引
inputs = inputs.fillna(inputs.mean())
print(inputs)
print(outputs)
# 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)# 现在inputs和outputs中所有条目都是数值类型，它们可以转换为张量格式。
x,y = torch.tensor(inputs.values),torch.tensor(outputs)print(x)
print(y)####################NumRooms Alley Price
0 NaN Pave 127500
1 2.0 NaN 106000
2 4.0 NaN 178100
3 NaN NaN 140000NumRooms Alley
0 3.0 Pave
1 2.0 NaN
2 4.0 NaN
3 3.0 NaN
0 127500
1 106000
2 178100
3 140000
Name: Price, dtype: int64NumRooms Alley_Pave Alley_nan
0 3.0 1 0
1 2.0 0 1
2 4.0 0 1
3 3.0 0 1
tensor([[3., 1., 0.],[2., 0., 1.],[4., 0., 1.],[3., 0., 1.]], dtype=torch.float64)
tensor([127500, 106000, 178100, 140000])Process finished with exit code 0深度学习入门笔记（李沐）(一)相关推荐
- 深度学习入门笔记系列（三）——感知器模型和 tensorboard 的使用方法
本系列将分为 8 篇 .今天是第三篇 .主要讲讲感知器模型和 tensorboard 的基本使用方法 . 1. 感知器模型 因为小詹之前写过一篇感知器模型的介绍 ,这里就不赘述了 .有需要巩固的点击如 ...
- 深度学习入门笔记系列 ( 二 )——基于 tensorflow 的一些深度学习基础知识
本系列将分为 8 篇 .今天是第二篇 .主要讲讲 TensorFlow 框架的特点和此系列笔记中涉及到的入门概念 . 1.Tensor .Flow .Session .Graphs TensorFlo ...
- 深度学习入门笔记（六）：误差反向传播算法
专栏--深度学习入门笔记 推荐文章 深度学习入门笔记(一):机器学习基础 深度学习入门笔记(二):神经网络基础 深度学习入门笔记(三):感知机 深度学习入门笔记(四):神经网络 深度学习入门笔记(五) ...
- 深度学习入门笔记（五）：神经网络的学习
专栏--深度学习入门笔记 推荐文章 深度学习入门笔记(一):机器学习基础 深度学习入门笔记(二):神经网络基础 深度学习入门笔记(三):感知机 深度学习入门笔记(四):神经网络 深度学习入门笔记(五) ...
- 深度学习入门笔记（四）：神经网络
专栏--深度学习入门笔记 推荐文章 深度学习入门笔记(一):机器学习基础 深度学习入门笔记(二):神经网络基础 深度学习入门笔记(三):感知机 深度学习入门笔记(四):神经网络 深度学习入门笔记(五) ...
- pytorch深度学习入门笔记
Pytorch 深度学习入门笔记 作者:梅如你 学习来源: 公众号: 阿力阿哩哩.土堆碎念 B站视频:https://www.bilibili.com/video/BV1hE411t7RN? 中国大学 ...
- 深度学习入门笔记（十六）：计算机视觉之边缘检测
欢迎关注WX公众号:[程序员管小亮] 专栏--深度学习入门笔记 声明 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献. 2)本文仅供学术交流,非商用.所以每一部分具 ...
- 深度学习入门笔记（二）：神经网络基础
欢迎关注WX公众号:[程序员管小亮] 专栏--深度学习入门笔记 声明 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献. 2)本文仅供学术交流,非商用.所以每一部分具 ...
- 深度学习入门笔记（十五）：深度学习框架（TensorFlow和Pytorch之争）
欢迎关注WX公众号:[程序员管小亮] 专栏--深度学习入门笔记 声明 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献. 2)本文仅供学术交流,非商用.所以每一部分具 ...
- 深度学习入门笔记（五）：神经网络的编程基础
欢迎关注WX公众号:[程序员管小亮] 专栏--深度学习入门笔记 声明 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献. 2)本文仅供学术交流,非商用.所以每一部分具 ...
最新文章
- java+jsp+mysql网页制作总结（1）
- [2018.12.18]BZOJ1013 [JSOI2008]球形空间产生器sphere
- 【每日一包0015】gradient-string
- C++中的类对象的内存分布以及虚函数表内存分布
- LinkCutTree 总结
- Kubernetes基础组件概述
- lisp的vla函数画矩形_利用Lisp做Tin三角网建模（源代码）
- 为什么机器学习很难学习因果关系？
- 关于部分应用无法向POJ提交代码的解决方案
- Git:如何在本地没有分支时，切换分支
- Android使用MediaRecorder的stop方法报stop failed错误的解决方案
- 基于云的文档管理系统——随时随地办公
- LSA(潜在语义分析)
- 视频教程-OpenGLES萌谷手册(iOS2018版)-其他
- MP2451的BUCK电路
- Ionic + Vue3 + Capacitor 配置应用信（App 包名、应用名、应用图标、启动动画、版本信息）
- 模式识别中精确定位之垂直和水平投影
- ubuntu下连接武大校园网
- 基于SNMP在网络监控中的应用1_OLT设备的监控
- 3dmax人头建模，人物头像建模3dmax人头建模，人物头像建模的详细图文教程来了，实用性非常强的详细图文教程来了，实用性非常强