【动手学深度学习】深入浅出深度学习之PyTorch基础

一、实验目的

二、实验准备

三、实验内容

1. 数据操作

2. 数据预处理

3. 线性代数

4. 微积分

5. 自动微分

四、实验心得

一、实验目的

（1）正确理解深度学习所需的数学知识；

（2）学习一些关于数据的实用技能，包括存储、操作和预处理数据；

（3）能够完成各种数据操作，存储和操作数据；

（4）PyTorch基础，完成《动⼿学深度学习》预备知识2.1-2.5节的课后练习。

二、实验准备

（1）根据GPU安装pytorch版本实现GPU运行实验代码；

（2）配置环境用来运行 Python、Jupyter Notebook和相关库等相关库。

三、实验内容

启动jupyter notebook，使用新增的pytorch环境新建ipynb文件，为了检查环境配置是否合理，输入import torch以及torch.cuda.is_available() ，若返回TRUE则说明实验环境配置正确，若返回False但可以正确导入torch则说明pytorch配置成功，但实验运行是在CPU进行的，结果如下：

图1-1

1. 数据操作

（1）使用jupyter notebook新增的pytorch环境新建ipynb文件，完成基本数据操作的实验代码与练习结果如下：

图1-2

图1-3

图1-4

图1-5

练习1：

图1-6

2. 数据预处理

（1）完成数据预处理的实验代码及练习内容如下：

图1-7

图1-8

练习2：

图1-9

图1-10

3. 线性代数

（1）完成线性代数的实验代码及练习结果如下：

图1-11

图1-12

图1-13

图1-14

练习3：

图1-15

图1-16

4. 微积分

（1）完成微积分的实验代码及练习结果如下：

图1-17

练习4：

图1-18

图1-19

5. 自动微分

（1）完成自动微分的实验代码及练习结果如下：

图1-20

练习5：

图1-21

图1-22

图1-23

四、实验心得

通过这次实验，我对深度学习的数据处理知识有了更深入的了解。尽管在安装PyTorch的过程中遇到了一些问题（由于conda默认安装了CPU版本的PyTorch），但在删除numpy库后成功地安装了GPU版本的PyTorch。并且我对以下内容有了更深刻的理解：

1.张量（n维数组）是深度学习存储和操作数据的主要接口。它提供了广泛的功能，包括基本数学运算、广播、索引、切片，还可以实现内存节省和转换其他Python对象。

2.pandas是Python中常用的数据分析工具之一，它与张量兼容，为数据处理提供了便利。

3.在处理缺失数据时，pandas提供了多种方法，根据情况可以选择插值法或删除法进行处理。

4.标量、向量、矩阵和张量是线性代数中的基本数学对象。

5.向量是标量的推广，矩阵是向量的推广。

6.标量、向量、矩阵和张量分别具有零、一、二和任意数量的轴。

7.通过使用sum和mean等操作，可以沿指定的轴降低张量的维度。

8.两个矩阵的按元素乘法被称为Hadamard积，与矩阵乘法不同。

9.在深度学习中，常常使用范数，如L1范数、L2范数和Frobenius范数。

10.微分和积分是微积分的两个分支，其中微分在深度学习的优化问题中得到了广泛应用。

11.导数可以被理解为函数相对于其变量的瞬时变化率，同时是函数曲线的切线斜率。

12.梯度是一个向量，其分量是多变量函数相对于所有变量的偏导数。

13.链式法则可以用于求解复合函数的导数。

14.深度学习框架能够自动计算导数：首先将梯度附加到需要计算偏导数的变量上，然后记录目标值的计算过程，执行反向传播函数，并获得相应的梯度。