强化学习-数据操作与预处理

一、访问元素

语法如图，第一列更正：[:,1] , [第x行，第y列]

先学一下pytorch：本节内容全是基于pytorch的操作

1.导入pytorch

代码中使用torch而不是pytorch

import torch

创建行向量arange

x = torch.arange(7)
x
#output
tensor([0,1,2,3,4,5,6])

可以通过张量的shape属性来访问张量（沿每个轴的长度）的形状 。

---

torch.randn(3, 4) 随机生成三行四列的张量

torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])指定生成张量

X = torch.arange(12, dtype=torch.float32).reshape((3,4))

在reshape函数中，使用元组来表示形状，因为形状通常由多个维度组成，而且形状是固定的，不需要修改。

例如：

• (3, 4) 表示2维，3行4列。

• (2, 3, 4) 表示3维，2个3x4矩阵。

为什么用元组而不是列表？

• 形状是固定的，不需要改变，所以用不可变的元组更合适。

• 元组在性能上略有优势，因为不可变，所以可以缓存。

# 创建元组
shape = (3, 4)
# 在reshape中使用
X.reshape(shape)  # 传递一个元组变量

---

torch.cat((X, Y), dim=0) - 沿着第0维拼接（行方向，垂直拼接）

torch.cat((X, Y), dim=1) - 沿着第1维拼接（列方向，水平拼接）

---

对张量中的所有元素进行求和，会产生一个单元素张量

X.sum()

tensor(66.)

广播机制

在上面的部分中，我们看到了如何在相同形状的两个张量上执行按元素操作。 在某些情况下，即使形状不同，我们仍然可以通过调用 广播机制（broadcasting mechanism）来执行按元素操作。 这种机制的工作方式如下：

1. 通过适当复制元素来扩展一个或两个数组，以便在转换之后，两个张量具有相同的形状；

2. 对生成的数组执行按元素操作。

a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b

#输出

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

#操作

a + b

#输出

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

#都变成3行2列，通过复制自身行或者列

索引和切片

我们可以用[-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：

除读取外，我们还可以通过指定索引来将元素写入矩阵。

X[1, 2] = 9
X

#输出

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  9.,  7.],
        [ 8.,  9., 10., 11.]])

第2行3列的元素变成9

---

更新张量内容：

可以使用X[:] = X + Y或X += Y来减少操作的内存开销。

---

要将大小为1的张量转换为Python标量，我们可以调用item函数或Python的内置函数。

深度学习存储和操作数据的主要接口是张量