目录
准备工作
conda 环境创建:
bash
conda create --name d2l python=3.9 -y
conda env list
conda activate d2l
pip 安装深度学习框架包:
bash
pip install torch==1.12.0
pip install torchvision==0.13.0
至此,完成准备工作。
基本操作
读取数据
Pandas 包调用 read_csv 函数读取 csv 数据:
python
import pandas as pd
data_file = r"house.csv"
data = pd.read_csv(data_file)
print(data)
处理缺失值
处理数据中的缺失值 NaN,一般有插值法以及删除法两种策略。
- 插值法:用替代值弥补缺失值;
- 删除法:直接忽略包含缺失值的示例。
插值法案例如下:
- 对于连续值,使用均值插值法:
python
# 代码接上
inputs, output = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean())
print(inputs)
- 对于离散值,按值进行分类:
python
# 代码接上
inputs = pd.get_dummies(inputs, dummy_na=True)
print(inputs)
如图所示,pandas 自动将列 Alley 转化为 Alley_Pave 和 Alley_nan 两列,并转化为数字 0、1 进行标注。
此上,我们完成了一个简单数据集的缺失值处理操作。
张量的基础内容
张量,是深度学习的数据结构,对比 Numpy,其具两点优势:
- 支持使用 GPU 加速运算;
- 包含自动微分重要功能。
具有一个轴的张量对应数学上的向量,具有两个轴的张量对应数学上的矩阵。
将数据转化为张量
torch.tensor
方法,将数据转换为张量数据结构。
python
X = torch.tensor(X.to_array(dtype=float))
y = torch.tensor(y.to_array(dtype=float))
print(X)
创建一个行向量
troch.arange()
方法,创建一个行向量张量 x
python
x = torch.arange(12)
获取张量的形状
x.shape
方法,获取张量的形状。
python
print(x.shape)
获取张量的数量
x.numel()
方法,获取张量中元素的个数。
python
print(x.numel())
改变张量的形状
x.reshape(x, y)
方法,改变张量的形状而不改变张量中元素个数和元素值。
python
# 把张量x从形状为(12,)的行向量转换为形状为(3, 4)的矩阵。
X = x.reshape(3, 4)
print("原格式:", x.shape)
print("新格式:", X.shape)
python
# 此外,可以通过-1自动计算另一个维度的大小从而改变形状
X = x.reshape(3, -1)
X = x.reshape(-1, 4)
X = x.reshape(3, 4)
创建常量张量
torch.zeros((x, y))
创建元素都初始化为 0 的张量。
torch.ones((x, y, z))
创建元素都初始化为 1 的张量。
python
x = torch.zeros((2, 3, 4))
y = torch.ones((2, 3, 4))
张量的更多操作
张量支持四则运算
python
# 请重点关注乘法
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print("加法:", x + y)
print("减法:", x - y)
print("乘法", x * y)
print("除法", x / y)
print("求幂运算", x ** y)
张量支持拼接连接
torch.cat((x, y), dim=)
将张量 x 与张量 y 按照维度 dim 进行拼接。
python
import torch
x = torch.arange(12).reshape(3, 4)
y = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print("横向拼接:", torch.cat((x, y), dim=1))
print("纵向拼接:", torch.cat((x, y), dim=0))
张量支持逻辑运算符
张量可直接使用逻辑运算符对对应位置的内容进行判断。
python
x == y
张量支持广播机制
在上述四则运算以及拼接内容中,我们都使用了形状相同的两个张量进行运算和操作,但是如果两个张量形状不同,还能支持哪些操作?
假设有张量 a (3, 1) 与 b (1, 2),若进行四则运算,会因形状不匹配报错,但若两个张量的形状有某种关系,我们可以将两个矩阵广播到一个更大的 (3, 2) 矩阵,如下:
python
a = torch.arange(3).reshape(3, 1)
b = torch.arange(2).reshape(1, 2)
a, b
a + b
a * b
张量索引与切片
张量同 Python 数组,可以通过索引进行访问,可以进行切片。
python
x = torch.arange(12).reshape(3, 4)
x[0]
x[-1]
x[1:3]
python
x[1, 2]
x[2, 1:]
x[-1, :]
将张量转换为其他 Python 对象
python
X = torch.arange(12).reshape(3, 4)
A = X.numpy()
B = torch.tensor(A)
type(A), type(B)
推荐书籍
本文为博主阅读学习李沐《动手学深度学习(Pytorch)》一书时学习笔记内容,若读者有意愿兴趣,请访问:https://d2l.ai/