PyTorch深度学习基础/Logistic回归

一、PyTorch深度学习基础

1、Tensor对象及其运算

Tensor对象是一个多维的数据结构，用于存储数值型数据，通常用在深度学习中进行各种计算。

Tensor对象可以简单理解为一个高维数组，它是矩阵概念的扩展。在深度学习领域，特别是在使用某些框架如PyTorch或TensorFlow时，Tensor扮演着核心角色。它们不仅拥有丰富的数学属性，还内置了一些专为深度学习设计的运算，这使得Tensor成为处理神经网络中数据的理想选择。

Tensor对象支持的运算包括但不限于加法、减法、乘法和除法等基本的算术操作，以及更复杂的线性代数运算如矩阵乘法。

Tensor对象的运算能力非常强大，可以进行多种数学操作。例如，可以直接在一个Tensor实例上调用方法来进行加法。除了基本的加减乘除运算外，Tensor还支持更复杂的数学操作，如矩阵乘法，这对于深度学习任务尤其重要。Tensor的属性如dtype和device分别定义了Tensor的数据类型和存储设备（CPU或GPU），这些属性使得Tensor能够灵活地在不同的设备上进行高效的计算。

总之，Tensor对象是深度学习编程的基础，通过其属性和运算能力，可以实现复杂数学模型的构建和计算。

2、Tensor的索引和切片

在Tensor中，索引和切片是用于访问、修改或操作数据的重要手段。以下是一些基本概念和用法：

• 基本索引：可以通过提供索引来访问Tensor中的特定元素。索引可以是单个整数，也可以是整数的列表或数组。当使用多个维度的索引时，可以逐个指定每个维度上的索引。
• 切片：与NumPy类似，Tensor也支持切片操作。通过切片，可以获取Tensor的一个子集。切片的语法包括起始索引、结束索引和步长。例如，a[1:3] 表示获取从索引1到索引2（不包括3）的所有元素。负数索引表示从后往前计数，如a[-2:]表示获取倒数第二个元素到最后一个元素。
• 高级索引：除了基本的索引和切片，Tensor还支持更复杂的索引方式，如使用torch.gather进行选择性索引和使用torch.masked_select根据布尔掩码进行切片处理。
• 整数索引：可以通过传递包含特定整数值的tensor来进行索引，这在某些情况下特别有用，如结合torch.index_select来选择特定的维度上的元素。
• 布尔索引：通过布尔值的Tensor来选择满足条件的元素。这是基于条件筛选数据的强大方法，类似于条件表达式的结果。
• 利用torch.nonzero返回非零值的索引矩阵：这对于找到满足某些条件的元素的索引非常有用。

总之，Tensor的索引和切片提供了灵活的数据访问和处理方法，这些功能对于实现复杂的数学运算和模型构建至关重要。

3.Tensor的变换、拼接和拆分

在PyTorch中，Tensor的变换、拼接和拆分是常用的操作，它们允许你改变数据的形状和结构以满足不同的计算需求。以下是一些基本概念和用法：

• Tensor变换：

  • 重塑（Reshape）：tensor.reshape(shape)允许你改变Tensor的形状而不改变其数据。
  • 转置（Transpose）：tensor.t()可以实现矩阵的转置。
  • 翻转（Flip）：tensor.flip(dims)可以沿着指定维度翻转Tensor的元素。

• Tensor拼接：

  • 连接（Concatenate）：torch.cat((t1, t2, ...), dim=0)可以沿着指定的维度将多个Tensor连接起来。
  • 堆叠（Stack）：torch.stack((t1, t2, ...), dim=0)则是在指定的维度上堆叠Tensor。

• Tensor拆分：

  • 分割（Split）：<