深度学习的重点在于优化,其中很重要的步骤在于如何调参,会涉及到一些微积分等数学知识。不同于以往接触到的数值运算,深度(机器)学习都是关于张量Tensor(向量)的计算,Python中最常用的包就是Numpy,其次张量类支持调用包可自动微分。
一、基础操作运算
1.1 导入torch
先导入torch,虽然是pytorch版本的深度学习,但是代码中使用torch,而不是pytorch.
1.2 arange创建行向量
1.3 通过张量的shape属性来访问张量的形状或维度
1.4 张量的大小
张量中元素的总数,即shape属性中所有元素的乘积。
一维向量的shape和size是相同的数值
1.5 改变张量的形状reshape
要想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。
在reshape时,不需要特别指定每个维度的参数,在知道元素总数的前提下,知道宽度(高度)后,高度(宽度)会被自动计算得出,不需要自己手动计算,可以通过-1来调用此自动计算出形状。
1.6 初始化矩阵
1.6.1 将张量中所有元素设置为0
1.6.2 将张量中所有元素设置为1
1.6.3 标准高斯分布:均值为0,标准差为1,随机初始化参数的值
1.6.4 自定义张量
可以通过包含数值的python列表(嵌套列表)来为所需张量中的每个元素赋予确定值。
二、张量运算符
2.1 按元素计算
2.2 张量连接
dim=0对行进行拼接;dim=1对列进行拼接。
2.3 逻辑运算符
2.3 求和
三、广播机制
形状相同的张量按元素操作,在某些情况下,即使形状不同,可以通过调用广播机制来执行按元素操作。
广播机制在大多数情况下,沿着数组中长度为1的轴进行广播。
a和b分别是31和12的矩阵,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3*2矩阵,矩阵a将复制列,矩阵b将复制行,然后按元素相加。
a
+
b
=
[
0
0
1
1
2
2
]
+
[
0
1
0
1
0
1
]
=
[
0
1
1
2
2
3
]
a+b= \begin{bmatrix} 0 & 0 \\ 1 & 1 \\ 2 &2 \end{bmatrix}+\begin{bmatrix} 0 & 1 \\ 0 & 1 \\ 0 & 1 \end{bmatrix} = \begin{bmatrix} 0 & 1 \\ 1 & 2 \\ 2 & 3 \end{bmatrix}
a+b=
012012
+
000111
=
012123
四、转换为其他Python对象
torch张量和numpy数组可以互相转化.
要将大小为1的张量转换为python标量,可以用item函数或者python的内置函数。