动手深度学习-pytorch数据操作

• • N维数组

• 是机器学习和神经网络的主要数据结构

• • 创建数组需要

• 形状：如3*4的矩阵

• 每个元素的类型：例如32位浮点数

• 每个元素的值：例如全是0.或者随机数

• • 数据操作

• 首先，导入torch

• 张量表示一个数值组成的数组，这个数组可能有多个维度

• 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

• 如果想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

• 二层、三行、四列

• 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

• 常见的标准算术运算符（+、-、*、/、**）都可以被升级为按元素运算

• 可以把多个张量连接在一起

• 0 表示y方向的拼接，1表示x方向的拼接

• 通过逻辑运算符构建二元向量

• 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5

• 即使形状不同，我们仍然可以通过调用广播机制来执行按元素操作

• 先进行复制，在相加

• 元素访问

• 可以用[-1]选择最后一个元素，可以用[1:3]选择第二个和第三个元素

• 还可以通过指定索引来将元素写入矩阵

• 为多个元素赋值相同的值，我们只需要索引所有元素，然后为他们赋值

• 运行一些操作可能会导致为新结果分配内存

• 执行原地操作

• 后续计算中没有重复使用x，我们也可以使用x[:]=x+y或x+=y来减少操作的内存开销

• 转换为NumPy张量

• 将大小为1的张量转换为Python标量

• • 数据预处理

• 创建一个人工数据集，并储存在csv（逗号分隔值）文件

• 从创建的csv文件中加载原始数据集

• 为了处理缺失的数据，典型的方法包括插值和删除

• 对于inputs中的类别值或者离散值，我们将‘NAN’视为一个类别