网站做支付需要准备什么,网站开发公司会计处理,电脑培训班在哪里报名,网站打开速度慢的原因01基础函数的使用
主要内容
张量操作#xff1a;创建和操作张量#xff0c;包括重塑、填充、逐元素操作等。数据处理#xff1a;使用pandas加载和处理数据#xff0c;包括处理缺失值和进行one-hot编码。线性代数#xff1a;包括矩阵运算、求和、均值、点积和各种范数计算…01基础函数的使用
主要内容
张量操作创建和操作张量包括重塑、填充、逐元素操作等。数据处理使用pandas加载和处理数据包括处理缺失值和进行one-hot编码。线性代数包括矩阵运算、求和、均值、点积和各种范数计算。自动求导使用PyTorch的自动求导功能计算梯度并演示梯度清除和分离计算图的操作。
import torch
import pandas as pd
import os# 创建和操作张量
# 张量表示一个数值组成的数组这个数组可能有多个维度
x torch.arange(12) # 创建一个包含从0到11的向量
print(x:, x) # 打印张量xprint(x的形状:, x.shape) # 打印张量的形状print(x中的元素总数:, x.numel()) # 打印张量中元素的总数# 改变一个张量的形状而不改变元素数量和元素值采用reshape
X x.reshape(3, 4) # 将x重塑为一个3行4列的矩阵
print(重塑后的X:, X) # 打印重塑后的X# 创建全0全1张量
print(全零张量:, torch.zeros((2, 3, 4))) # 创建一个形状为(2,3,4)的全0张量
print(全一张量:, torch.ones((2, 3, 4))) # 创建一个形状为(2,3,4)的全1张量# 使用包含数值的Python列表创建张量
t torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]) # 创建张量t
print(从列表创建的张量:, t) # 打印张量t
print(张量t的形状:, t.shape) # 打印张量t的形状# 张量操作
X torch.arange(12, dtypetorch.float32).reshape((3, 4)) # 创建并重塑张量X
Y torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]) # 创建张量YZ torch.zeros_like(X) # 创建一个形状和X相同的全零张量
Z[:] X Y # 计算X和Y的逐元素加法
print(Z (X Y):, Z) # 打印Z
print(Z的转置:, Z.T) # 打印Z的转置# 使用pandas创建和处理数据集
# 创建一个人工数据集并存储在CSV逗号分隔值文件中
os.makedirs(os.path.join(.., data), exist_okTrue) # 创建数据目录
data_file os.path.join(.., data, house_tiny.csv) # 定义文件路径
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)data pd.read_csv(data_file) # 读取CSV文件
print(从CSV加载的数据:, data) # 打印加载的数据inputs, outputs data.iloc[:, 0:2], data.iloc[:, 2] # 分离输入和输出
inputs[NumRooms] inputs[NumRooms].fillna(inputs[NumRooms].mean()) # 用均值填充缺失值
print(处理后的输入数据:, inputs) # 打印处理后的输入数据inputs pd.get_dummies(inputs, dummy_naTrue).astype(float) # 转换类别变量并将其转换为浮点型
print(独热编码后的输入数据:, inputs) # 打印独热编码后的输入数据X torch.tensor(inputs.values) # 将输入数据转换为张量
Y torch.tensor(outputs.values) # 将输出数据转换为张量
print(输入数据的张量X:, X) # 打印输入数据的张量X
print(输出数据的张量Y:, Y) # 打印输出数据的张量Y# 线性代数操作
A torch.arange(20, dtypetorch.float32).reshape(5, 4) # 创建并重塑张量A
B A.clone() # 通过分配新内存将A的副本分配给B
print(矩阵A:, A) # 打印矩阵A
print(矩阵A B:, A B) # 矩阵加法
print(矩阵A * B:, A * B) # 矩阵逐元素乘法a 2
X torch.arange(24).reshape(2, 3, 4) # 创建并重塑张量X
print(张量X:, X) # 打印张量X
print(a X:, a X) # 标量和张量相加
print(a * X的形状:, (a * X).shape) # 打印标量和张量相乘后的形状# 求和与均值
A_sum_axis0 A.sum(axis0) # 沿着第0维度求和
print(沿第0维度求和:, A_sum_axis0, 形状:, A_sum_axis0.shape) # 打印求和结果及其形状print(A中的元素总数:, A.numel()) # 打印A中的元素总数
print(A的均值:, A.mean()) # 打印A的均值
print(A的和除以元素总数:, A.sum() / A.numel()) # 打印A的和除以元素总数sum_A A.sum(axis1, keepdimsTrue) # 沿第1维度求和并保持维度
print(沿第1维度求均值保持维度:, A.mean(axis1, keepdimTrue)) # 打印沿第1维度的均值并保持维度
print(沿第1维度求和保持维度:, sum_A) # 打印沿第1维度的求和并保持维度print(A的归一化 (A / sum_A):, A / sum_A) # 打印归一化的Aprint(沿第0维度的累积和:, A.cumsum(axis0)) # 打印沿第0维度的累积和# 点积
x torch.arange(4, dtypetorch.float32) # 创建张量x
y torch.ones(4, dtypetorch.float32) # 创建全1张量y
print(x和y的点积:, torch.dot(x, y)) # 打印x和y的点积
print(逐元素乘积的和:, torch.sum(x * y)) # 打印逐元素乘积的和print(矩阵A和向量x的乘积:, torch.mv(A, x)) # 打印矩阵和向量的乘积# 矩阵乘法
B torch.ones(4, 3) # 创建全1矩阵B
print(矩阵A:, A) # 打印矩阵A
print(矩阵B:, B) # 打印矩阵B
print(矩阵A和B的矩阵乘法:, torch.mm(A, B)) # 打印矩阵A和B的矩阵乘法# 各种范数
u torch.tensor([3.0, -4.0]) # 创建张量u
print(u的L2范数:, torch.norm(u)) # 打印u的L2范数
print(u的L1范数:, torch.abs(u).sum()) # 打印u的L1范数
print(一个全1矩阵(4x9)的弗罗贝尼乌斯范数:, torch.norm(torch.ones((4, 9)))) # 打印全1矩阵的弗罗贝尼乌斯范数print(张量元素的和:, sum(torch.arange(20, dtypetorch.float32))) # 打印张量元素的和A torch.arange(40, dtypetorch.float32).reshape(2, 5, 4) # 创建并重塑张量A
print(3D张量A:, A) # 打印3D张量A
print(沿轴[1,2]求和:, A.sum(axis[1, 2])) # 打印沿轴[1,2]求和结果
print(沿轴[1,2]求和保持维度:, A.sum(axis[1, 2], keepdimsTrue)) # 打印沿轴[1,2]求和结果并保持维度A torch.ones(2, 5, 4) # 创建全1张量A
print(3D张量A全为1:, A) # 打印全1张量A
print(沿轴[0,1]求和保持维度:, A.sum(axis[0, 1], keepdimTrue)) # 打印沿轴[0,1]求和结果并保持维度# 自动求导
x torch.arange(4.0) # 创建张量x
print(张量x:, x) # 打印张量xx.requires_grad_(True) # 开启自动求导
print(x的梯度 (初始为None):, x.grad) # 打印x的梯度 (初始为None)y 2 * torch.dot(x, x) # 2 * (x · x) 求导为 4x
print(y 2 * (x · x):, y) # 打印yy.backward() # 计算导数
print(backward之后x的梯度:, x.grad) # 打印x的梯度
print(x的梯度是否等于4 * x:, x.grad 4 * x) # 打印x的梯度是否等于4 * x# 清除梯度
x.grad.zero_() # 清除x的梯度
y x.sum()
y.backward()
print(求和y并backward之后的x梯度:, x.grad) # 打印求和y并backward之后的x梯度# 对非标量调用backward需要传入一个gradient参数
x.grad.zero_() # 清除x的梯度
y x * x
y.sum().backward() # 等价于 y.backward(torch.ones(len(x)))
print(平方并求和y之后的x梯度:, x.grad) # 打印平方并求和y之后的x梯度# 分离计算图
x.grad.zero_() # 清除x的梯度
y x * x
u y.detach() # 从计算图中分离y
print(张量y:, y) # 打印张量y
print(从y分离的张量u:, u) # 打印从y分离的张量uz u * x
z.sum().backward()
print(分离u乘以x的梯度:, x.grad u) # 打印分离u乘以x的梯度x.grad.zero_() # 清除x的梯度
y.sum().backward()
print(再次求和y之后的x梯度:, x.grad 2 * x) # 打印再次求和y之后的x梯度
