《动手学深度学习》v2学习篇--预备知识(一)
原创 Bob新视界 Bob的AI视界
大家好，我是Bob。
一个想和大家一起慢慢变富的AI程序员
热爱分享AI前瞻思考、项目经验、面试技巧。
欢迎关注我，一起探索，一起破圈！
前言
嘿！这里是笔者的《动手学深度学习》v2学习篇，最近一段时间由于工作需要，目前在深度学习“深度学习”，以下皆为学习笔记与思考的分享。欢迎指正与follow。
本次分享：数据基本操作
torch数据创建你会发现与numpy非常相似，张量(tensor)也可以类比为(ndarray)。当然他们并不相同。对于torch,GPU很好地支持加速计算，而NumPy仅支持CPU计算；张量类支持自动微分。使得张量类更适合深度学习
导入torch
import torch #导入torch
数据创建
torch.arange(12)
#向量包含以0开始的前12个整数
torch.zeros((2, 3, 4))
#形状为（2,3,4）的张量，其中所有元素都设置为0
torch.ones((2, 3, 4))
#形状为（2,3,4）的张量，其中所有元素都设置为1
torch.randn(3, 4)
#形状为（3,4）的张量,每个元素都从均值为0、标准差为1的标准高斯分布中随机采样
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
#Python列表（也可以是nparray类型），赋予张量确定值
张量属性
torch.arange(12)
x.shape
#结果：torch.Size([12])
x.numel()
#结果：12
X = x.reshape(3, 4)
#改变张量的形状，张量的大小不会改变
简单运算
以下 加、减、乘、除、求幂都是两个张量同一位置元素进行运算。**是求幂
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y
结果：
(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))
张量连结
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)
这里的dim可以理解为维度，dim=0，第0个维度（这里是指行向量方向）方向堆叠，
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]]),
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]]))
广播机制
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b
(tensor([[0],
[1],
[2]]),
tensor([[0, 1]]))
不同形状张量相加
a + b
由于a和b形状不同，如果让它们相加，它们的形状不匹配。我们将两个矩阵广播为一个更大的 矩阵，如下所示：矩阵a将复制列， 矩阵b将复制行，然后再按元素相加。
tensor([[0, 1],
[1, 2],
[2, 3]])
索引与切片
张量[ ]里的“ ，”用来分割不同维度的切片取值，没有就是指第一个维度。
X[-1], X[1:3]
# 访问最后一行， 访问第1行和第2行
修改
X[0:2, :] = 12
# 0、1行的所有值改为12
X[1, 2] = 9
#第一维度为1，第二维度为2所得到的值
内存问题
id()可以理解为c++里的找指针，就是数据在内存中的的地址
before = id(Y)
Y = Y + X
id(Y) == before
答案是False
节省内存—原地更新（以下例子）
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))
地址一致
before = id(X)
X += Y
id(X) == before
地址一致
数据预处理
大多数情况，我们的数据并不是直接的数字，而是保存在各种格式的文件里的数字，文字等，甚至存在缺失值。我们需要进行处理，转换成张量。
比如
import os
os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w')as f:
f.write('NumRooms,Alley,Price\n')# 列名f.write('NA,Pave,127500\n')
# 每行表示一个数据样本
f.write('2,NA,106000\n')
f.write('4,NA,178100\n')
f.write('NA,NA,140000\n')
import pandas as pd
data = pd.read_csv(data_file)
print(data)
原始数据
NumRooms Alley Price
0 NaN Pave 127500
1 2.0 NaN 106000
2 4.0 NaN 178100
3 NaN NaN 140000
缺失值处理
**为了处理缺失的数据，典型的方法包括 插值法 和 删除法 ， ** 其中插值法用一个替代值弥补缺失值，而删除法则直接忽略缺失值。在( 这里，我们将考虑插值法 )。
iloc先考虑列再其次是行，这里利用已有数据的平均值填充NAN
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean(numeric_only=True))
inputs = pd.get_dummies(inputs, dummy_na=True)
转为numpy再转为tensor
import torch
X = torch.tensor(inputs.to_numpy(dtype=float))
y = torch.tensor(outputs.to_numpy(dtype=float))
X, y
结果如下：
(array([[3., 1., 0.],
[2., 0., 1.],
[4., 0., 1.],
[3., 0., 1.]], dtype=float64),
array([127500., 106000., 178100., 140000.], dtype=float64))
下一次分享：线性代数、微积分、微分、概率。
