[动手学深度学习(PyTorch)]——数据操作

社会演员多 • 2022年3月14日下午6:49 • 技术文章 • 阅读 572

准备：sudo apt install build-essential安装必要的软件，比如gcc之类的。
使用anaconda做环境准备
端口映射：ssh -L8888:localhost:8888 username@ip_addr（将远端的8888端口映射到本地的8888端口）

一、N维数组样例

2. 数据操作

1、张量表示一个数值组成的数组，这个数组可能有多少个维度

2、特殊张量的创建

3、常见的运算

4、张量连结

5、逻辑运算符构建二元张量

6、广播机制

当对两个不同形状的张量进行 element-wise 操作时，可能会触发广播机制：先适当地复制元素，使两个 tensor 的形状相同，然后进行 element-wise 操作

7、元素访问

8、内存分配相关

9、tensor2numpy

3. 线性代数相关计算

1、按照指定轴运算

2、矩阵运算dot & mm

3、矩阵范数

4、矩阵计算

（1）标量导数

偏导数和链式导数：

梯度的方向是函数值变化最快的方向
分子y是标量,分母是x是一个列向量时，y对x求导得到的是行向量
分子y是列向量,分母是x是一个列向量时，y对x求导得到的是列向量

[动手学深度学习(PyTorch)]——数据操作

一、N维数组样例

2. 数据操作

1、张量表示一个数值组成的数组，这个数组可能有多少个维度

2、特殊张量的创建

3、常见的运算

4、张量连结

5、逻辑运算符构建二元张量

6、广播机制

7、元素访问

8、内存分配相关

9、tensor2numpy

3. 线性代数相关计算

1、按照指定轴运算

2、矩阵运算dot & mm

3、矩阵范数

4、矩阵计算

4.数据预处理

1、创建csv文件

2、读取文件及缺失值处理

[动手学深度学习(PyTorch)]——数据操作

一、N维数组样例

2. 数据操作

1、张量表示一个数值组成的数组，这个数组可能有多少个维度

2、特殊张量的创建

3、常见的运算

4、张量连结

5、逻辑运算符构建二元张量

6、广播机制

7、元素访问

8、内存分配相关

9、tensor2numpy

3. 线性代数相关计算

1、按照指定轴运算

2、矩阵运算dot & mm

3、矩阵范数

4、矩阵计算

4.数据预处理

1、创建csv文件

2、读取文件及缺失值处理

相关推荐