李沐基于Pytorch的深度学习笔记（1）

首先，本文是李沐老师的视频的笔记，里面的编程部分是我用Pycharm编写的，希望对大家有所参考。

1 数据结构与数据操作:

1.1 机器学习和深度学习的数据结构，基本都是N维数组

 

1.2 创建一个数组

创建数组需要具备的条件：

①形状：3*4/4*5…………，就像矩阵的行列比一样

②数据类型：int、float、long、以及int32、float64这种细分领域的类型，非常多

③元素的值：例如X1=10，X2=1.2，这种值

 

如上图所示，第一个是正态分布，第二个书均匀分布，这里所用的是RGB灰度图的形式表示的。

1.3 访问元素

这里的话，我们必须清楚，在计算机语言中，排序是0开始的，所以[1, 2]表示的是第二行，第三列。

Eg：修正：一列：[:1, :]

    注意：子区域[1:3, 1:]，这里的1：3表示的是[1, 3)，并不是我们认为的包含了第四行。

          子区域[::3, ::2]，这里值得是每3行一跳，每两列一跳。

1.4 开始操作数据（torch中的数据操作）

1.4.1 arange、shape、numel

这里我们引入了张量。张量是啥意思呢，指的是由数值组成的数组。这个数组可能是多维度的。 

 

通过.shape和.numel来查看张量的形状（这里由于我们本身引入的是一个一维的数组，所以只有一维的形状），以及张量的元素数量（永远为个数的标量）。

1.4.2 reshape、zeros、ones

 我们可以通过.reshape来改变张量的形状，当然我们也可以通过.zeros来创建全零的矩阵，或者.ones创建全1的矩阵：

这里其实比较好理解，即：两个矩阵，分别为3行4列。

1.4.3 tensor、cat、逻辑判断、.sum

通过.tensor来直接提供包含确定数值的python列表，来基于张量每一个元素确切的值。

 

其中多少个[ ]表示为几维数组，比如 [ [ [ ] ] ] 指的就是三维数组。我们可以利用普通的加减乘除商幂（python的好处在于不计较数值的类型进行计算【别太离谱就行】）

 

下一步我们尝试使用.cat对两个数组进行合并。首先创建一个12位的序列，类型是float32，并且重塑为3*4的矩阵张量。之后呢，使用.cat进行合并，dim=0 ，表示在第0维合并。dim=1表示在第1维合并。那么在这个矩阵中，第1维就是行，第2维就是列。（由于这里创建的就只是一个二维数组，所以不存在第3维了） 

 

当然我们可以使用逻辑符号，判断元素的逻辑，从而构成二维的逻辑张量。

 

也可以使用.sum来求得元素的和，可以得到一个元素的张量

 

1.4.4 广播机制

如果说存在，形状不一样的张量相加，我们就会存在NUMPY中存在的广播机制。啥意思呢，就是有点复制粘贴的意思。就是本身a是3*1，会被复制成3*2的矩阵；同时本身b是1*2的矩阵会被复制成3*2的矩阵。这种情况下再做相加。这就是广播机制

1.4.5 元素访问、zeros_like()

比如[-1]表示的是啥；[1: 3]表示啥；我们可以做一个小小的说明。因为其实第一行是第0行，所以-1是最后一行。而[1: 3]也就是[1, 4)就是第二行到第三行嘛。

由于python并没有考虑内存的问题，所以在实际操作中，还是需要避免因为矩阵过大，操作频繁导致内存出现问题。 

 

这里可以看出，在原本的Y占用内存后，我们像通过重新赋值给Y新的数值时，会出现无法赋值的情况。这时候我们就需要重新提供一个元素来进行操作。.zeros_like这个函数是让Z同原本的Y数值、shape等一模一样。

Z[ ：]这里指的是让Z所有元素等于X+Y，这样就可以创建新的内存了。当然如果说后续的X没有被频繁使用，也可以使用X[:]=X+Y来达到目的。

这一节主要是为了提醒！

1.4.6 转换张量

numpy本身是最为常见的python的一个框架，因此经常需要转换。要么就是转化为标量。其实标量的转换还是非常简单的，比如之前学的.sum之类的。

1.5 数据预处理（将CSV数据变成张量）

首先，建立一个人工数据集，储存在CSV文件中，CSV文件即每一行是一个数据。

 

利用Pandas来读取csv文件。其中NA指的是未知的数据。

 

那么为了处理位置数据，一般来说的方法是删除或者插值来进行的。我们这里考虑插值法。

 这里使用了.iloc，是为了吧数据集中的确实列单独提出来，作为一个输入输出。其中，后面使用了.fillna，这是为了填充数据。填充的就是inputs.means()，指的是不是NaN的均值。Alley没有变换，是因为没有均值。

那么对于不是均值的数值来说，我们把这一列中所有出现不是值的标识，全部变成特征来看待。Pave变成0，NA变成1，同样的，后面都变成了特征值。

 

利用torch，将inputs和outputs变成张量。