目录
1-02张量的简介与创建
pytorch中的Tensor
张量的创建
1-03张量的操作
1. 拼接
2.张量的拼接与切分
3.张量索引
4.张量变换
1-02张量的简介与创建
张量是一个 ，它是标量，向量，矩阵的高维拓展
pytorch中的Tensor
在pytorch中的属性主要有8个
data:张量的数据类型，如torch.FloatTensor,torch.cuda.FloatTensor
shape：张量的形状
devcie：张量所在设备,如GPU/CPU
张量的创建
1：直接创建
Torch.tensor(data,dtype=None,device=None,requires_grad=False,pin_memory=False)
各参数解释
从numpy创建tensor
torch.form_numpy(ndarray).
从torch.form_numpy(ndarray)创建的tensor与原ndarray共享内存，当修改其中的一个数据另一也会被改动。
2：依据数值创建
torch.zero(*size,out=None,dtype=None,layout=torch.stride,required_grad=False)
torch.zeros_like(input,dtype=None,layout=None,required_grad=False):功能是根据input形状创建全0张量
创建全1张量，只需要将上述的zeros替换成ones即可。
创建自定义数值的张量分别为：torch.full()和torch.full_like().比如torch.full((3,3),10) 为创建一个3*3的值为10的张量。
创建等差的一维张量：torch.arange()--比如torch.arange(2,10,2).则创建的一维张量为[2,4,6,8]
创建均分的一维张量：torch.linspace(2,10,5)创建的一维张量为（[2,4,6,8,10]）使用这个函数的步长为[strat-end]/steps-1
3:依据概率分布创建张量
生成正态分布：torch.normal(mean,std,out=None).mean为均值，std为标准1
生成标准正态分布：torch.randn(),torch.randn_like()生成一个均值为0，标准差为1的标准正态分布。
torch.rand(),torch.rand_like()在区间[0,1]上生成均匀分布
torch.randint();torch.randint_like()在区间[low,high]生成整数均匀分布。
1-03张量的操作
1. 拼接
torch.cat():将张量按维度dim进行拼接
torch.stack():在新创建的维度dim上进行拼接
两者的区别在于，cat（）是在原有的张量的维度上进行拼接，不会拓展张量的维度。stack()是在新创建的维度上，如果选择的维度已经存在，那原有的维度往后移。
这两个函数的主要参数都是：tensors：张量序列 dim:要拼接的维度。
2.张量的拼接与切分
torch.chunk():将张量按维度dim进行平均切分，返回值为张量列表。（若不能整除，最后一份张量小于其他张量）input:要切分的张量，Chunks要切分的份数。Dim要切分的维度。
torch.split():按照张量指定的维度进行切分。Tensor:要切分的张量。Split_size_or_sections:为int时，表示每一份的长度，为list时，按list中元素切分，也就是切分得到张量中个数和list的元素对应。Dim:要切分的维度。
3.张量索引
torch.index_select():在维度dim上，按照index索引数据。返回值是依照index索引数据拼接的张量。 Input：要索引的张量。Dim：索引的维度。Index：要索引的序号
Torch.masked_select() ：按mask中True进行索引。 返回值为一维张量。 Input：要索引的张量。Mask：与input同形状的布尔类型张量。
4.张量变换
Torch.reshape() ：变换张量形状。注意：当张量在内存中连续时，新张量与input共享数据内存(一改全改)。 Input：要变换的张量。 Shape：新张量的形状。
Torch.transpose() ：交换张量的两个维度。 Input：要变换的张量。 Dim0：要交换的维度。Dim1：要交换的维度
Torch.t() ：2维张量转置，对矩阵而言等价于torch.transpose(input,0,1)
Torch.squeeze() ：压缩长度为1的维度（轴） dim：若为None，移除所有长度为1的轴，若指定维度当且仅当该轴长度为1时可以被移除。（当且仅当指定的轴长度为1时才会被移除）
Torch.unsqueeze() 依据dim扩展维度，dim：扩展的维度。（扩展的维度的轴的长度为1）
1-04计算图与动态图机制
计算图是用来描述运算的有向无环图，计算图主要有两个主要元素:结点和表。结点表示数据，如向量，矩阵，张量。边表示运算，如加减乘除卷积等。
动态图：运算与搭建同时进行。灵活，易调节
静态图：先搭建图，后运算。高效，不灵活
叶子结点:用户创建的结点称为叶子结点，如x与w
1-05自动求导和Logist回归
1：Autograd：自动求导系统
torch.autograd.backward:自动求导梯度
torch.autograd.grad 求取梯度 这里进行高阶求导时，需要在低阶中 torch.autograd.grad(y,x,create_graph=True)#create_graph=True这里是创建导数的计算图。
注意1）在autograd中梯度不自动清0
2）依赖于叶子结点的结点，requires_grad默认为True
3）叶子结点不可执行in-place
2:Logist回归
逻辑回归模型是线性的二分类模型
机器学习模型训练步骤: 数据 模型 损失函数 优化器
2-01DataLoader和Dataset
机器学习学习模型训练包括五大步骤：数据，模型，损失函数，优化器，迭代训练
数据模块包括：1）数据收集：img；label 2）数据划分train训练模型,valid验证模型是否过拟合,test用于测试性能 3.）数据读取:DataLoader 4）数据预处理:transforms
其中DataLodaer还会继续细分为Sampler和DataSet,其中Sampler的功能是生成索引（也就是样本的序号），而Dataset是根据索引去读取图片以及其标签
DataLoader
torch.utils.data.Dataloader构建可迭代的数据装载器
常用参数:
dataset,batchsize,num_works,shuffle,drop_last
注意：
Epoch:所有训练样本都已输入到模型中
Iteration:一批样本输入到模型中
Batchsize:批大小，决定一个Epoch有多少个Iteration
DataSet
其中返回的这个样本包括数据和其对应标签。主要通过__getitem__()来读取数据
整体流程可以用下图表示：
首先在For循环中使用DataLoader，经过DataLoader之后会经过DataLoaderlter来判断是否使用多进程，之后会使用Sampler来获取index，拿到索引之后将索引送入DatasetFetcher。在DatasetFetcher中会调用Dataset。在Dataset中getitem根据先前给定的索引获取单个实际的数据和标签。在获取完一个Batchsize大小的数据后通过Collate_fn进行整理，整理成一个BatchData的形式，然后就输入到模型之中去训练。
