【深度学习】张量创建

机器学习 (ML) 与 深度学习 (DL) 的区别

维度	机器学习 (ML)	深度学习 (DL)
数据依赖	在小规模数据集上表现良好。	性能随数据量增加而大幅提升，依赖大数据。
硬件要求	较低，普通 CPU 即可运行大多数算法。	极高，通常需要强大的 GPU 或 TPU 进行大规模计算。
特征工程	核心差异点：需要专家手动提取特征（Feature Engineering）。	自动提取：通过神经网络层自动学习数据的特征。
训练时间	较短（几秒到几小时）。	较长（几天甚至几周，取决于网络深度）。
可解释性	较强（如决策树、逻辑回归的逻辑清晰）。	较弱（"黑盒"模型，难以解释中间层在学什么）。

---

深度学习 (DL) 的主要特点

• 端到端学习 (End-to-End Learning)： 传统的机器学习需要将任务分解为特征提取和分类器两个阶段，而深度学习可以直接输入原始数据（如图像像素、音频信号），直接输出最终结果。

• 多层非线性变换： 通过深层的神经网络（Hidden Layers），模型能够学习到从低级（如线条、边缘）到高级（如人脸、物体）的复杂特征表达。

• 高鲁棒性与泛化能力： 在大规模数据支撑下，深度学习模型能够处理高度非结构化、高维度的复杂数据。

• 高度可扩展性： 通过增加层数或神经元数量（参数量），模型的上限非常高。

---

深度学习的应用场景

深度学习最擅长处理传统算法难以应对的非结构化数据。

A. 计算机视觉 (CV)

• 人脸识别： 手机解锁、安防监控。

• 目标检测： 自动驾驶汽车识别行人、车辆和交通标志。

• 医疗影像： 辅助医生通过 CT 或 MRI 切片检测肿瘤。

B. 自然语言处理 (NLP)

• 大语言模型 (LLM)： 如 ChatGPT，进行对话生成、逻辑推理。

• 机器翻译： 如 Google 翻译的神经机器翻译系统，翻译更自然。

• 情感分析： 自动判断社交媒体评论的褒贬态度。

C. 语音识别与处理

• 语音转文字： 智能助手（Siri、小爱同学）的底层核心。

• 声纹识别： 通过声音特征确认用户身份。

D. 其他前沿领域

• 强化学习与博弈： 如 AlphaGo。

• 药物发现： 预测蛋白质折叠结构或模拟分子相互作用。

• 金融风控： 识别海量交易中的异常欺诈行为。

---

张量

元素为同一种类型的多维矩阵。

0维：标量

1维：向量

2维：矩阵

N维：张量

"""
    PyTorch中的张量创建
    torch.tensor 根据指定数据创建张量(用得多)
    torch.Tensor 根据形状创建张量、也可以创建指定数据的张量
    torch.IntTensor\torch.FloatTensor\torch.DoubleTensor创建指定类型的张量
"""

import torch
import numpy as np

#根据指定数据生成张量
def dm01():
    #标量------张量
    t1 = torch.tensor(10)    
    
    #列表------张量
    data = [[1,2,3],[4,5,6]]
    t2 = torch.tensor(data)

    #numpy nd数组------张量
    data = np.random.randint(0,10,size=(2,3))
    t3 = torch.tensor(data)

def dm02():
    #标量------张量
    t1 = torch.Tensor(10)    
    
    #列表------张量
    data = [[1,2,3],[4,5,6]]
    t2 = torch.Tensor(data)

    #numpy nd数组------张量
    data = np.random.randint(0,10,size=(2,3))
    t3 = torch.Tensor(data)

    #创建指定维度张量
    t4 = torch.Tensor(2,3)#两行三列

def dm03():
    #标量------张量
    t1 = torch.IntTensor(10)    
    
    #列表------张量
    data = [[1,2,3],[4,5,6]]
    t2 = torch.IntTensor(data)

    #numpy nd数组------张量
    data = np.random.randint(0,10,size=(2,3))
    t3 = torch.IntTensor(data)

    #如果类型不匹配，尝试自动转换类型
    data = np.random.randint(0,10,size=(2,3))
    t3 = torch.FloatTensor(data)#自动转成float，若转不了则报错

张量中默认的类型是float32(torch.FloatTensor)

---

创建0、1、指定值张量

**zeros()、**ones()、 full()

import torch
#创建两行三列的全1张量
t1 = torch.ones(2,3)

t2 = torch.tensor([[1,2],[3,4],[5,6]])
t3 = torch.ones_like(t2)#t3基于t2的形状，创建全1张量

#创建两行三列的全0张量
t1 = torch.zeros(2,3)

t2 = torch.tensor([[1,2],[3,4],[5,6]])
t3 = torch.zeros_like(t2)

#创建指定值full(形状，内容)
t1 = torch.full((2,3),255)
t2 = torch.tensor([[1,2],[3,4],[5,6]])
t3 = torch.full_like(t2)

---

创建线性和随机张量

• torch.arange()\torch.linspace()创建线性张量
• torch.random.initial_seed()\torch.random.manual_seed()设置随机种子（时间戳、固定）
• torch.rand/randn()创建随机浮点类型张量
• torch.randint(low,high,size=())创建随机整数类型张量

import torch
#创建线性张量
def dm01():
    #指定范围的线性张量（开始，结束，步长）
    t1 = torch.arange(0,10,2) #0,2,4,6,8

    #指定范围的线性等差数列(开始，结束，元素个数)
    t2 = torch.linspace(1,10,5)#1,3.25,5.5,7.75,10

#创建随机张量
def dm02():
    #设置随机种子--创建好后，之后所有的随机都会用
    #torch.initial_seed()#采用当前系统的时间戳作为随机种子
    torch.manual_seed(3)#设置随机种子

    #均匀分布的随机张量
    t1 = torch.rand(size = (2,3))
    #符合正态分布的随机张量
    t2 = torch.randn(size = (2,3))
    #创建随机整数张量
    t3 = torch.randint(0,10,size = (2,3))

---

创建指定类型的张量

data.type(torch.DoubleTensor)

half()/double()/float()/short()/int()/long()

inport torch
#直接创建指定类型张量
t1 = torch.tensor([1,2,3,4,5],dtype = torch.float)#默认是float32

#类型转换type()
t2 = t1.type(torch.int16)

#指定转换
t2.half()#float16
t2.float()#float32，默认
t2.double()#float63
t2.short()#int16
t2.int()#int32
t2.long()#int64，默认