AI人工智能算法工程师

核心代码，注释必读

// download：3w ukoou com

简单链式模型理论

简单链式模型（Simple Chain Model）通常指的是在统计学、社会科学和心理学等领域中，用于分析变量之间因果关系的一种模型。这种模型假设一个变量（中介变量）在自变量和因变量之间起到中介作用，即自变量通过中介变量影响因变量。在实战中，这种模型可以帮助我们理解复杂的因果关系，并在数据分析中进行中介效应的检验。

1. 中介变量（Mediator）：

   • 中介变量是自变量和因变量之间的桥梁。它是一个解释自变量如何影响因变量的变量。

2. 链式中介模型：

   • 在链式中介模型中，存在多个中介变量按顺序排列，形成一个链条。每个中介变量都受到前一个变量的影响，并对后一个变量产生影响。

3. 中介效应：

   • 中介效应是指自变量通过中介变量对因变量的影响。这可以通过比较直接效应（不通过中介变量）和总效应（包括中介效应）来评估。

4. 路径分析：

   • 路径分析是统计技术，用于估计和测试变量间的因果关系路径。它可以用来测试链式中介模型中的各个路径系数。

Tensor存储的数值

Tensor存储的数值

Tensor 可以用多种方法进行初始化。下面给出例子：

直接传数据

Tensor可以直接从数据进行创建，数据类型会自动适应。

import torch

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)
print(x_data)

输出

tensor([[1, 2],
        [3, 4]])

使用Numpy数据

可以通过Numpy矩阵中进行创建

import torch
import numpy as np

np_array = np.array([[1,2],
                     [3,4]])
x_np = torch.from_numpy(np_array)
print(x_np)

输出

tensor([[1, 2],
        [3, 4]], dtype=torch.int32)

利用已有tensor

根据已有的数据形式（形状，数据类型），创建出新的tensor

import torch

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)

# 保持了 x_data 的数据属性与形状
x_ones = torch.ones_like(x_data) 
print(f"Ones Tensor: \n {x_ones} \n")

# 保持x_data的形状，重新定义 x_data 的数据属性
x_rand = torch.rand_like(x_data, dtype=torch.float) 
print(f"Random Tensor: \n {x_rand} \n")

输出

Ones Tensor:
 tensor([[1, 1],
        [1, 1]])

Random Tensor:
 tensor([[0.8823, 0.9150],
        [0.3829, 0.9593]])

存储随机值

shape代表tensor的维度

import torch

shape = (2,3,)
rand_tensor = torch.rand(shape)
print(f"Random Tensor: \n {rand_tensor} \n")

输出

Random Tensor: 
 tensor([[0.0554, 0.6230, 0.0118],
        [0.8840, 0.4710, 0.1662]]) 

存储特定值

shape代表tensor的维度

import torch

shape = (2,3,)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

输出

Ones Tensor: 
 tensor([[1., 1., 1.],
        [1., 1., 1.]]) 

Zeros Tensor: 
 tensor([[0., 0., 0.],
        [0., 0., 0.]])