数据操作与预处理

这部分我觉得挺轻松的，因为我有pandas的基础，所以可以理解成就是把dataframe的格式换成tensor。当然我们要先了解一下张量

• 张量这一概念的核心在于，它是一个数据容器。它包含的数据几乎总是数值数据，因此它是数字的容器。张量是矩阵向任意维度的推广。

这些就比较简单基础了，包括reshape,zeros,ones等等常规的操作，还有下面这些切片操作都和pandas库差不多大差不差。

为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始， 而不是从那些准备好的张量格式数据开始。 在Python中常用的数据分析工具中，我们通常使用pandas软件包。 像庞大的Python生态系统中的许多其他扩展包一样，pandas可以与张量兼容。

像这样子，直接把pd中处理好的数据放到tensor()中就可以实现数据格式的转化。

线性代数

• 标量：x = torch.tensor(3.0)
• 向量：x = torch.arange(4)
• 矩阵：x = torch.arange(20).reshape(5,4)
• 张量：x = torch.arange(24).reshape(2,3,4)
• 降维：x.sum()，x.mean()
• 非降维求和：sum_A = A.sum(axis=1, keepdims=True)
• 点积：torch.dot(x, y)
• 向量积：torch.mv(A, x)
• 矩阵乘法：torch.mm(A, B)
• 范数：torch.norm(u)

微积分

• 导数和积分

我们先定义函数然后求积分，通过不断将h变小。得到斜率后我们就可以找出这条切线了。

• 偏导：其实很好理解，就是对多个值求导。

• 梯度： 偏导的集合。

自动微分

说实话这部分我还没有彻底懂。

• 深度学习框架可以自动计算导数：我们首先将梯度附加到想要对其计算偏导数的变量上，然后记录目标值的计算，执行它的反向传播函数，并访问得到的梯度。
• 求导是几乎所有深度学习优化算法的关键步骤。 虽然求导的计算很简单，只需要一些基本的微积分。 但对于复杂的模型，手工进行更新是一件很痛苦的事情（而且经常容易出错）。深度学习框架通过自动计算导数，即自动微分（auto differentiation）来加快求导。 实际中，根据设计好的模型，系统会构建一个计算图（computational graph）， 来跟踪计算是哪些数据通过哪些操作组合起来产生输出。 自动微分使系统能够随后反向传播梯度。 这里，反向传播（backpropagate）意味着跟踪整个计算图，填充关于每个参数的偏导数。
• 标量变量的梯度计算

• 非标量变量的梯度计算

• Python控制流的梯度计算

概率

这部分还行，基础的概率论定义，如果你不懂，那就去好好去学一下概率论吧。

查阅文档

简单点说就是你不知道这个函数怎么用了，help一下。