日期
check-box
check-box
访问元素
- 一个元素：
[ 1 , 2 ]
- 一行：
[ 1 , : ]
- 一列：
[ : , 1 ]
- 子区域：
[ 1 : 3 , 1 : ]
- 子区域：
[ :: 3 , :: 2 ]（三个一跳）
x = torch.arange(12)：生成一个0到11的张量；
x.shape可以访问张量的形状；
x.numel()可以求这个张量所有元素的个数（注意要加括号）
- 要改变一个张量的形状而不改变元素数量和元素值，可以调用
reshape函数，如：x.reshape(3,4)可以将xreshape为一个 的张量
- 创建全0的矩阵：
torch.zeros((2,3,4))
- 创建全1的矩阵：
torch.ones((2,3,4))
- 从正太分布取样：
torch.normal( E, Var, size)
- 通过提供包含数值的Python列表（或嵌套列表）来为所需张量中的每个元素赋予确定值，如：
torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])几个中括号就是几维数组
- 当tensor中有至少一个浮点数时，就会创建一个浮点张量，否则就是整数；
- 常见的标准算数运算符（
+,-,*,/和**（幂运算））都可以被升级为按元素运算
- 按元素方式应用更多计算，如指数：
torch.exp(x)
- 我们也可以把多个张量连结在一起：
dtype = torch.float32：指定张量中元素类型是浮点型；- 对于二维张量：
dim = 0：沿着行堆叠；dim = 1：沿着列堆叠； - 对于三维张量：
dim = 0表示沿着一个 batch 堆叠；dim = 1表示沿着行堆叠；dim = 2表示沿着列堆叠
- 可以通过逻辑运算符构建二元张量：
- 这样会按位判断元素是否相等，并返回一个 bool 张量
- 对张量中所有元素求和并产生一个只有一个元素的张量：
x.sum() - 注意区分，
x.sum()是求所有元素和，结果是一个张量；而x.numel()是求所有元素个数，结果是一个数字；
- 即使形状不同，仍然可以通过调用广播机制（broadcasting mechanism）来执行按元素操作：
x[-1]访问最后一行元素；x[:,-1]访问最后一列元素；x[-1, -1]访问最后一个元素；x[1:3]选择第二行到第三行元素（冒号是左闭右开）
- 除读取外，还可以通过指定索引将元素写入矩阵；如：
x[1,2] = 9
- 为多个元素赋相同的值，我们只需要索引所有元素，然后为它们赋值：
- 运行一些操作可能会导致为新结果分配内存：
- 这里
y的地址发生改变的原因是，x+y相当于创建了一个新的张量，返回一个新张量，y = x+y是一个赋值操作，将新张量赋值给y，从而导致y的地址发生变化
- 原地操作：
- 注意，这样不会分配新的内存的原因是，相当于将
x+y的结果赋值给z中的每一个元素，所以z的地址没有改变；
- 因此，如果后续计算中没有重复使用
x，我们可以使用x[:] = x + y或者x += y来减少内存操作的开销
- 转换为 NumPy 张量：
x.numpy()
- 将大小为1的张量转换为 Python 标量：
x.item()（将x中这个元素取出来），float(x)将x中这个元素取出来并变成浮点数，int(x)将x中这个元素取出来并变成整数 - 比如，上面用
x.sum()求得张量中所有元素的和，是一个大小为1的张量，那么x.sum().item()就可以得到这个张量中所有元素的和，并且是一个标量
数据预处理
- 创建一个人工数据集，并存储在
csv文件（逗号分割值）文件
- 从创建的 csv 文件中加载原始数据集：
data = pd.read_csv(filename)
- 为了处理缺失的数据，典型的方法包括插值和删除，这里我们考虑插值：
- 对于数值域的NA，可以采用如下方法：
inputs.fillna(inputs.mean(numeric_only = True))表示将NA用这列数据的平均值替换，注意numeric_only = True！- 对于
inputs中的类别值或离散值，我们将NaN视为一个类别 - 如果不加
dtype = int或者dtype = float，操作完后得到的都是True和False，在后续操作过程中可能会报错；为了将其转化为1和0，我们加上最后这个参数。
- 现在，
inputs和outputs中所有条目都是数值类型，它们可以转换为张量格式 - 注意，括号中要用
.values的原因是，inputs和outputs原本都是Dataframe格式，如果不加.values会报错，无法转化为tensor格式