当前位置： 首页 > news >正文

菏泽网站制作,找工作附近上8小时的双休,快彩网站开发,昆山做网站哪家好1.深度学习基础知识 1.1 数据操作 1.1.1 数据结构 机器学习和神经网络的主要数据结构#xff0c;例如 0维#xff1a;叫标量#xff0c;代表一个类别#xff0c;如1.0 1维#xff1a;代表一个特征向量。如 [1.0#xff0c;2,7#xff0c;3.4] 2维#xff1a;就是矩…1.深度学习基础知识 1.1 数据操作 1.1.1 数据结构 机器学习和神经网络的主要数据结构例如 0维叫标量代表一个类别如1.0 1维代表一个特征向量。如  [1.02,73.4] 2维就是矩阵一个样本-特征矩阵如 [[1.02,73.4 ]                [2.03,74.4 ] ],每一行是样本每一列是特征 3维RGB图片宽(列)x高(行)x通道 三维数组[[[ 1.02,73.4 ] [2.03,74.4 ] ] [[2.03,74.4 ]]] 4维N个三维数组放在一起如一个RGB图片的批量(批量大小x宽x高x通道) 5维一个视频的批量(批量大小x时间x宽x高x通道) 1.1.2 创建数组  创建数组需要如下 形状例如3x4d矩阵每个元素的数据类型例如32位符点数每个元素的值例如全是0或者随机数 访问数组 [1,:] 访问第一行的所有列。 [:,1]访问第一列把所有行查询出来 子区域[1:3,1:] 代表访问1-2行的数据虽然是3但是3是开区间然后列是从第一列到最后都查询因为是:嘛。 子区域[::3,::2]访问一个带跳转的子区域行里每三行眺一行列里每两行眺一行 1.2 数据操作实现 !pip install torch import torchxtorch.arange(12) print(x) 结果 tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) 返回的是一个张量调用arange给12则把0-12之前的数字拿出来。 张量是一种多维矩阵是神经网络的基本数据结构。它的概念源于数学具有最多八个维度。它是一种应用于机器学习深度学习和其他人工智能应用的非常有用的数据结构。 张量可以被认为是子元素的多维数组。该子元素可以是实数、向量、矩阵或任何其他多维类型。张量提供了一种统一的方式来处理复杂的数据结构。而且它的可视化表示也更加直观清晰。 这意味着当程序在计算机中运行时它可以将各种类型的数据比如图片、文本、语音等组织成多维数组的组成部分。张量通常被用于吃进、学习和转换复杂的结构化输入如图像并进行预测。有了张量程序可以更自由地传输和处理复杂数据从而更快、更准确地开展预测。 我们可以通过张量的shape数学来访问张量的形状和张量中元素的总数。 x.shape torch.Size([12]) # 元素总数 x.numel() 12 要改变一个张量的形状不改变元素数量和元素值我们可以调用rehape函数。

将之前的标量数据转换为3x4矩阵

xx.reshape(3,4) print(x) 创建一个指定形状的全零张量tensor和全一张量。它接受一个或多个整数作为参数表示张量的形状。 y torch.zeros((2, 3, 4)) # 创建一个形状为2,3,4的张量其中所有元素都设置为0,第一个参数代表创建几个3行4列的矩阵 print(y) z torch.ones((2, 3, 4)) # 创建一个形状为2,3,4的张量其中所有元素都设置为1,第一个参数代表创建几个3行4列的矩阵 print(z)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。 btorch.tensor([[2,1,4,3],[1,2,3,4]]) print(b)# 打印形状 print(b.shape) 可以在同一形状的任意两个张量上调用按元素操作加减乘除、幂运算等等 xtorch.tensor([1.0,2,4,8]) ytorch.tensor([2,2,2,2]) print(xy) print(x-y) print(x*y) print(x/y) print(xy) #运算符是求幂运算,对每个x元素求二次方

给x每个元素做指数运算

print(torch.exp(x)) 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([2.7183e00, 7.3891e00, 5.4598e01, 2.9810e03]) 可以把多个张量连结在一起 把它们端对端地叠起来形成一个更大的张量 xtorch.arange(12,dtypetorch.float32).reshape((3,4)) ytorch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]]) print(x,x) print(y,y) print(xy组合按行,torch.cat((x,y),dim0))#按行连结两个矩阵 print(xy组合按列,torch.cat((x,y),dim1))#按列连结两个矩阵 也可以通过逻辑运算符构建二元张量 xy 对张量中的所有元素进行求和会产生一个元素的张量 print(x.sum()) tensor(66.) 即使形状不同我们仍然可以调用广播机制来执行按元素操作 。但是维度需相同就像下面都是2维 atorch.arange(3).reshape((3,1)) btorch.arange(2).reshape((1,2)) print(a,a) print(b,b) print(ab) 执行完结果如下其实将a里的列复制成和b对应的列一致b要复制成行与a的一致然后相加即可 ∫a tensor([[0],[1],[2]])

相当于复制成

tensor([[0, 0],

[1, 1],

[2, 2]])b tensor([[0, 1]])

tensor([[0, 1],[1, 2],[2, 3]])

tensor([[0, 1], [0, 1], [0, 1]])

我们来取元素数据

-1取出最后一个元素

print(x[-1])

[1:3]取出第二个和第三个元素

print(x[1:3]) 原本的 x数据如下 x tensor([[ 0., 1., 2., 3.],[ 4., 5., 6., 7.],[ 8., 9., 10., 11.]]) 取出数据结果如下 tensor([ 8., 9., 10., 11.]) tensor([[ 4., 5., 6., 7.],[ 8., 9., 10., 11.]]) 除读取外我们还可以通过指定索引来将元素写入矩阵。

将第一行的第二列的数据改为9

x[1,2]9 print(x) j结果如下 tensor([[ 0., 1., 2., 3.],[ 4., 5., 9., 7.],[ 8., 9., 10., 11.]]) 也可以按区域赋值

取0-1行的所有列更改为12

x[0:2,:]12 print(x) 结果如下将第一个行和第二行的行列全部赋值成12了 tensor([[12., 12., 12., 12.],[12., 12., 12., 12.],[ 8., 9., 10., 11.]]) 有时候运行一些操作可能会导致新的变量分配内存如

id(y)则是这个y的标识

beforeid(y) yyx id(y)before 由于中间操作了一步将xy赋值给了y 导致新开辟了空间所以就等于false 结果False 可以使用torch.zeros_like这样更改了也会原地动作 ztorch.zeros_like(y) print(id(z):,id(z)) print(z-before:,z) z[:]xy print(z-after:,z) print(id(z):,id(z)) 结果如下 id(z): 139337924747696 z-before: tensor([[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]) z-after: tensor([[26., 25., 28., 27.],[25., 26., 27., 28.],[20., 21., 22., 23.]]) id(z): 139337924747696 也可以这样使用y[:]yx或xy来保证原地操作 beforeid(y) y[:]yx id(y)before 结果true 除了上面的功能还可以很容易的转换如转换numpy张量 import numpy ex.numpy() ftorch.tensor(e)print(numpy:,e) print(f)print(type(e)) print(type(f)) 结果如下 numpy: [[12. 12. 12. 12.][12. 12. 12. 12.][ 8. 9. 10. 11.]] tensor([[12., 12., 12., 12.],[12., 12., 12., 12.],[ 8., 9., 10., 11.]]) class numpy.ndarray class torch.Tensor #将大小为1的张量转换为python标量 atorch.tensor([3.5]) print(a) print(a.item) print(float(a)) print(int(a)) 结果 tensor([3.5000]) built-in method item of Tensor object at 0x7eba23772b10 3.5 本章节学习李沐老师的《深度学习课》