wordpress 手机自适应,百度seo收录软件,seo网站怎么优化,企业信息公示系统 全国目录 数据操作
N维数组样例
访问元素
数据操作实现
入门
运算符
广播机制
节省内存
转换为其他Python对象
数据预处理实现 数据操作
N维数组是机器学习和神经网路的主要数据结构。
N维数组样例 访问元素 数据操作实现
下面介绍一下本课程中需要用到的PyTorch相关操…目录 数据操作
N维数组样例
访问元素
数据操作实现
入门
运算符
广播机制
节省内存
转换为其他Python对象
数据预处理实现 数据操作
N维数组是机器学习和神经网路的主要数据结构。
N维数组样例 访问元素 数据操作实现
下面介绍一下本课程中需要用到的PyTorch相关操作。
入门
import torch # 导入PyTorch库x torch.arange(12)# 创建一个长度为12的一维张量元素从0到11x.shape # 访问张量沿每个轴的长度注意这里没有()x.numel() # 张量的大小也就是所有元素的数量X x.reshape(a, b) # 将张量的形状改为(a, b)其中a和b为整数注意只是改变形状不改变地址torch.zeros((a, b, c)) # 创建一个形状为(a, b, c)的张量所有元素都设置为0torch.ones((a, b, c)) # 所有元素都设置为1torch.randn(a, b) # 元素从均值为0、标准差为1的正态分布中随机采样
运算符
import torch # 导入PyTorch库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 # **运算符是求幂运算torch.exp(x) # 所有元素求对数X torch.arange(12, dtypetorch.float32).reshape((3,4)) # 所有元素设置为浮点数
Y torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim0), torch.cat((X, Y), dim1) # 将两个矩阵在一维上连接起来广播机制
当两个大小形状不同的矩阵做运算时由于元素不能直接一一对应所以会使用广播机制通过适当复制元素来扩展一个或两个数组以便在转换之后两个张量具有相同的形状。
当然触发广播机制是需要条件的
两个张量必须不为空两个张量从最后一个维度比较必须每个维度都满足这三个条件之一两个相同其中一个为1其中一个为空。
import torch # 导入PyTorch库a torch.arange(3).reshape((3, 1))
b torch.arange(2).reshape((1, 2))a b# tensor([[0, 1],
# [1, 2],
# [2, 3]])
节省内存
import torch # 导入PyTorch库X torch.tensor([[1, 2, 3], [4, 5, 6]])
Y torch.tensor([[7, 8, 9], [3, 2, 1]])before id(Y)
Y Y X
id(Y) before# false
# 输出结果表明这个加法操作改变了Y的指向也就指向了新的内存地址Z torch.zeros_like(Y)
print(id(Z):, id(Z))
Z[:] X Y
print(id(Z):, id(Z))# id(Z): 2219878943616
# id(Z): 2219878943616
# 将两个矩阵相加后赋值给同样大小的全零矩阵内存地址就不会变了
# 这样就可以节省内存开销
转换为其他Python对象
不同库里的张量的数据类型也不同但是可以把表示张量的字符看作指针不同库的指针可以指向同一个张量也就是共享底层内存因此改变一个张量也可能同时改变另一个。
import torch # 导入PyTorch库
import numpy # 导入numpy库X torch.tensor([1, 2, 3])
A X.numpy()
B torch.tensor(A)
type(A), type(B)# (numpy.ndarray, torch.Tensor)a torch.tensor([3.5])
a, a.item(), float(a), int(a) # (tensor([3.5000]), 3.5, 3.5, 3)
# 用item函数可以将张量转换为python标量
数据预处理实现
import osos.makedirs(os.path.join(.., data), exist_ok True)
data_file os.path.join(.., data, house_tiny.csv)
# 创建一个人工数据集并存储在csv文件中
# csv文件是以逗号分隔值的表格文件
with open(data_file, w) as f:f.write(NumRooms,Alley,Price\n) # 列名房间数是否有路价格f.write(NA,Pave,127500\n) f.write(2,NA,106000\n)f.write(4,NA,178100\n)f.write(NA,NA,140000\n)import pandas as pddata pd.read_csv(data_file) # 使用pandas里的pd函数读取数据
data# NumRooms Alley Price
#0 NaN Pave 127500
#1 2.0 NaN 106000
#2 4.0 NaN 178100
#3 NaN NaN 140000# 下面是处理缺失的插值法
inputs, outputs data.iloc[:, 0:2], data.iloc[:, 2] # inputs为data的前两列outputs为最后一列
inputs inputs.fillna(inputs.mean()) # 对于inputs中缺失的数据用同一列的均值替换“NaN”
print(inputs)# 因为inputs中的离散值只有两个Pave和NaN所以可以把它们标准化为1和0
inputs pd.get_dummies(inputs,dummy_na True)
print(inputs)import torchX torch.tensor(inputs.to_numpy(dtypefloat)) # 将数据转换为张量格式
y torch.tensor(outputs.to_numpy(dtypefloat))
X, y
以上是数据预处理的基本操作还有很多进阶操作需要进一步学习比如作业中的删除NaN值最多的列等这些只是基础中的基础。
