目前做网站的好处,什么网站可以做医疗设备的,怎么做免费的网站商城,网站开发李沛杰目录
00 预告
01 课程安排
02 深度学习介绍
03 安装
本地安装
04 数据操作数据预处理
数据操作
数据类型
创建数组
访问元素
数据操作实现
入门
运算符
广播机制
索引和切片
节省内存
转换为其他Python对象
数据预处理实现
读取数据集
处理缺失值
转换为张…目录
00 预告
01 课程安排
02 深度学习介绍
03 安装
本地安装
04 数据操作数据预处理
数据操作
数据类型
创建数组
访问元素
数据操作实现
入门
运算符
广播机制
索引和切片
节省内存
转换为其他Python对象
数据预处理实现
读取数据集
处理缺失值
转换为张量格式
小结 00 预告
《动手学深度学习》https://github.com/d2l-ai/d2l-zh
01 课程安排 02 深度学习介绍 03 安装
本地安装
· 使用conda/miniconda环境 conda env remove d2l-zh conda create -n -y d2l-zh python3.8 pip conda activate d2l-zh · 安装需要的包 pip install -y jupyter d2l torch torchvision pip install jupyter d2l torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple使用上面这个命令行可以极大程度的提高下载速度 · 下载代码并执行 wget https://zh-v2.d2l.ai/d2l-zh.zip unzip d2l-zh.zip jupyter notebook DIVE INTO DEEP LEARNINGhttps://zh.d2l.ai/chapter_installation/index.html
04 数据操作数据预处理
数据操作
数据类型 0一个标量
1一个特征向量
2一个样本-特征矩阵
3RGB图片widthxheightxchannel
4RGB图片批量batch x width x height x channel
5视频批量batch x time x width x height x channel
创建数组
形状、数据类型、元素的值
访问元素 数据操作实现
入门 import torch x torch.arange(12)
x x.shape x.numel() X x.reshape(3, 4)
X torch.zeros((2, 3, 4)) torch.ones((2, 3, 4)) torch.randn(3, 4) torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])运算符 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) X torch.arange(12, dtypetorch.float32).reshape((3,4))
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) X Y X.sum() 广播机制 a torch.arange(3).reshape((3, 1))
b torch.arange(2).reshape((1, 2))
a, b 索引和切片 X[-1], X[1:3] X[1, 2] 9
X X[0:2, :] 12
X节省内存 before id(Y)
Y Y X
id(Y) before 转换为其他Python对象 A X.numpy()
B torch.tensor(A)
type(A), type(B) a torch.tensor([3.5])
a, a.item(), float(a), int(a) 数据预处理实现 读取数据集
import osos.makedirs(os.path.join(.., data), exist_okTrue)
data_file os.path.join(.., data, house_tiny.csv)
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)# 如果没有安装pandas只需取消对以下行的注释来安装pandas
# !pip install pandas
import pandas as pddata pd.read_csv(data_file)
print(data) 处理缺失值 inputs, outputs data.iloc[:, 0:2], data.iloc[:, 2]
inputs inputs.fillna(inputs.mean())
print(inputs)inputs pd.get_dummies(inputs, dummy_naTrue)
print(inputs)
转换为张量格式 from mxnet import npX, y np.array(inputs.to_numpy(dtypefloat)), np.array(outputs.to_numpy(dtypefloat))
X, y 小结 pandas软件包是Python中常用的数据分析工具中pandas可以与张量兼容。 用pandas处理缺失的数据时我们可根据情况选择用插值法和删除法。
