由浅入深，走进深度学习（4）

各位小伙伴大家好，这期内容是深度学习基础的一个进阶，也可以说是夯实一下很多细节内容

个人感受：动手敲一遍，带着思考，会有不一样的感受！！！

代码是比较多的，有很多内容我也是都在代码上面注释了~

正片开始！！！

首先，机器学习用的最多的是N维数组，N维数组是机器学习和神经网络的主要数据结构

注：

创建数组需要 形状(3×4) 数据类型(浮点数32位) 元素值(随机数)
访问元素 根据切片或者间隔步长访问元素  such as [::3, ::2] 每隔3行 2列 访问
访问 一个元素 [1, 2] 一行 [1, :] 一列 [:, 1] 子区域 [1:3, 1:]
张量数据操作

import torch
input = torch.arange(12) # 初始化一个0-11张量
print(input)

# 访问张量形状
print(input.shape)

# 张量中元素总数
print(input.numel())

# 改变张量形状
input_reshape = input.reshape(3, 4) # 一维张量改为3行 4列张量
print(input_reshape)

# 创建全0 全1 张量
zero = torch.zeros(2, 3, 4)
print(zero)

one = torch.ones(2, 3, 4)
print(one)

# 创建特定值张量
tensor1 = torch.tensor([[1, 2, 3],
                        [2, 1, 5],
                        [1, 5, 3]]) # 二维 tensor
tensor2 = torch.tensor([[[2, 2, 5],
                         [1, 3, 2],
                         [1, 2, 4]]]) # 三维 tensor

print(tensor1.shape)
print(tensor2.shape)

张量运算操作
常见的标准算术运算符(+、-、*、/、和 **)都可以被升级为按元素运算

import torch
input1 = torch.tensor([1.0, 2, 4, 8])
input2 = torch.tensor([2, 2, 2, 2])
print(input1 + input2)
print(input1 - input2)
print(input1 * input2)
print(input1 / input2)
print(input1 ** input2) # 运算符是求幂运算

# 对每个元素应用更多的计算
output = torch.exp(input1) # e的x次方
print(output)

# 张量合并操作
x = torch.arange(12, dtype = torch.float32).reshape((3, 4))
y = torch.tensor([[1, 2, 3, 2],
                  [0.5, 4, 6, 3.0],
                  [2, 1, 1, 0]])
m = torch.cat((x, y), dim = 0) # 按行拼
n = torch.cat((x, y), dim = 1) # 按列拼

print(m)
print(n)


# 张量逻辑符运算
# 通过逻辑运算符构建二元张量
import torch
x = torch.arange(12, dtype = torch.float32).reshape(3, 4)
y = torch.tensor([[1, 2, 3, 2],
                  [0.5, 4, 6, 3.0],
                  [2, 1, 1, 0]])
print(x, y)
print(x == y) # 对应元素相等为True 不相等为False


# 张量累加运算
import torch
x = torch.arange(16, dtype = torch.float32).reshape(4, 4)
print(x.sum())

# 张量广播运算
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
print(a, b)
print(a + b) # a会复制出一个3*2的矩阵，b复制出一个3*2的矩阵，然后再相加，会得到一个3*2矩阵

张量访问计算
可以用[-1]选择最后一个元素，可以用[1:3]选择第二个和第三个元素

import torch
x = torch.arange(12, dtype = torch.float32).reshape((3, 4))
print(x)
print(x[-1])
print(x[1:3])

# 张量元素改写
# 除读取外，还可以通过指定索引来将元素写入矩阵
import torch
x = torch.arange(12, dtype = torch.float32).reshape((3, 4))
print(x)
x[1, 2] = 9
print(x)

# 为多个元素赋值相同的值，只需要索引所有元素，然后为它们赋值
import torch
x = torch.arange(12, dtype = torch.float32).reshape((3, 4))
print(x)
x[0:2, :] = 12  # 0:2 第一个 第二个 0:3 第一个 第二个 第三个 1:3 第二个 第三个 1:4 第二个 第三个 第四个
print(x)


# 张量内存变化
# 运行一些操作可能会导致为新结果分配内容
import torch
x = torch.arange(12, dtype = torch.float32).reshape((3, 4))
y = torch.tensor([[1, 1, 2, 2],
                  [2, 2, 3, 3],
                  [4, 4, 2, 3]])
before = id(y)
print(before)
y = x + y
print(id(y) == before) # 运行操作后，赋值后的y的id和原来的id不一样   

z = torch.zeros_like(y) # z 的数据类型、尺寸和y一样，里面的元素全为0

print('id(z):', id(z))
z[:] = x + y
print('id(z):', id(z))

# 如果在后续计算中没有重复使用X，即内存不会过多复制，也可以使用X[:] = X + Y 或 X += Y 来减少操作的内存开销
before1 = id(x)
x += y
print(id(x) == before1)

# 张量转numpy
import torch
x = torch.arange(16, dtype = torch.float32).reshape((4, 4))
a = x.numpy()
b = torch.tensor(a)
print(type(a), a)
print(type(b), b)


# 将大小为1的张量转为 Python 标量
import torch
a = torch.tensor([3.5])
print(a)
print(a.item())
print(float(a))
print(int(a))

线性代数
标量
标量由只有一个元素的张量表示

import torch
x = torch.tensor([3.5])
y = torch.tensor([4.0])
print(x + y)
print(x - y)
print(x * y)
print(x / y)
print(x ** y)

# 访问向量元素
# 通过张量的索引来访问任一元素
import torch
z = torch.arange(12)
print(z)
print(z[3]) # 索引从0开始

# 访问向量长度
# 访问张量长度
print(len(z))

# 访问向量维度
# 只有一个轴的张量形状只有一个元素
print(z.shape)
# 矩阵
# 创建矩阵
# 通过指定两个分量m n 来创建一个形状为m×n的矩阵
import torch
A = torch.arange(20).reshape((4, 5))
print(A)

# 矩阵的转置
print(A.T)

# 对称矩阵
# 对称矩阵 等于其转置
B = torch.tensor([[1, 2, 3],
                  [2, 0, 4],
                  [3, 4, 5]])
print(B)
print(B.T)
print(B == B.T)

# 多维矩阵
# 就像向量是标量的推广 矩阵是向量的推广一样 可以构建更多轴的数据结构
D = torch.arange(24).reshape((2, 3, 4))
print(D)


# 矩阵克隆
import torch
x = torch.arange(20, dtype = torch.float32).reshape((4, 5))
y = x.clone() # 通过分配新内存 将x的一个副本分配给y
print(x)
print(y)
print(x + y)


# 矩阵相乘 对应元素相乘
# 两个矩阵按元素乘法称为哈达玛积
import torch
A = torch.arange(20, dtype = torch.float32).reshape((5, 4))
B = A.clone()
print(A)
print(B)
print(A * B)
# 矩阵加标量
x = 2
A = torch.arange(24).reshape((2, 3, 4))
print(A)
print(A + x)
print((A + x).shape)

# 向量求和
# 计算所有元素的和
M = torch.arange(4, dtype = torch.float32)
print(M)
print(M.sum())

# 矩阵求和
# 表示任意形状张量的元素和
N = torch.arange(20 * 2).reshape((2, 4, 5))
print(N.shape)
print(N.sum())

# 矩阵某轴求和 维度丢失
# 指定张量沿哪一个轴来通过求和降低维度
N_sum_axis0 = N.sum(axis = 0) #(2, 4, 5) 对第一个维度进行求和 剩下两个维度留下来
print('-------------------')
print(N)
print(N_sum_axis0)
print(N_sum_axis0.shape)
N_sum_axis1 = N.sum(axis = 1) #(2, 4, 5) 对第二个维度进行求和 剩下两个维度留下来
print('-------------------')
print(N_sum_axis1)
print(N_sum_axis1.shape)
N_sum_axis2 = N.sum([0 ,1]) #(2, 4, 5) 对第一 二个维度进行求和 剩下一个维度留下来
print('--------------------')
print(N_sum_axis2)
print(N_sum_axis2.shape)



# 矩阵平均值
# 一个与求和相关的量是平均值
import torch
X = torch.arange(20, dtype = torch.float32).reshape((4, 5))
print(X)
print(X.mean())
print(X.numel())
print(X.mean() / X.numel())

print('- - - - - - - - - -')
print(X.mean(axis = 0))  # 4×5 第二个维度留下来 5列
print(X.sum(axis = 0))  # 第二个维度留下来 5列
print(X.shape)
print(X.shape[0])
print(X.shape[1])
print(X.sum(axis = 0) / X.shape[0])
print(X.sum(axis = 0) / X.shape[1])



# 矩阵某轴求和 维度不丢失
# 计算总和或均值时保持轴数不变
import torch
X = torch.arange(20, dtype = torch.float32).reshape((5, 4)) 
X_sum = X.sum(axis = 1, keepdims = True) # keepdims=True不丢掉维度，否则三维矩阵按一个维度求和就会变为二维矩阵，二维矩阵若按一个维度求和就会变为一维向量
print(X)
print(X_sum)
print(X_sum.shape) # 维度没有丢失，方便使用广播

# 矩阵广播
# 通过广播将X除以X_sum
print('------------------')
print(X / X_sum)

# 矩阵某轴累加总和
print('- - - - - - - - -')
print(X.cumsum(axis = 0))


# 向量点积
# 点积是相同位置的按元素乘积的和
import torch
x = torch.arange(4, dtype = torch.float32)
y = torch.ones(4, dtype = torch.float32)
print(x)
print(y)
print(torch.dot(x, y))

# 可以通过执行按元素乘法 然后进行求和来表示两个向量的点积
print(torch.sum(x * y))


# 矩阵向量积
# A是一个m×n的矩阵，x是一个n×1的矩阵，矩阵向量积 是一个长度为m的列向量，其第i个元素是点积
import torch
A = torch.arange(20, dtype = torch.float32).reshape((5, 4))
x = torch.arange(4, dtype = torch.float32)
print(A)
print(x)
print(A.shape)
print(x.shape)
print(torch.mv(A, x))

矩阵相乘 线性代数相乘
可以将矩阵-矩阵乘法 AB 看作是简单地执行m次矩阵-向量积 并将结果拼接在一起 形成一个n×m矩阵

import torch
A = torch.arange(20 ,dtype = torch.float32).reshape((5, 4))
B = torch.ones(4, 3)
print(A)
print(B)
print(torch.mm(A, B))
# 矩阵L2范数
# L2范数是向量元素平方和的平方根
import torch
u = torch.tensor([3.0, -4.0])
print(torch.norm(u))


# 矩阵L1范数
# L1范数 表示为向量元素的绝对值之和
print(torch.abs(u).sum())

# 矩阵F范数
# 矩阵的弗罗贝尼乌斯范数（Frobenius norm）是矩阵元素的平方和的平方根
print(torch.norm(torch.ones((4, 9)))) # 把矩阵拉成一个向量，然后再求和

注：上述内容参考b站up主“我是土堆”的视频，参考吴恩达深度学习，机器学习内容，参考李沐动手学深度学习！！！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/735017.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【非常实验】如何在移动设备上运行 Docker？

【非常实验】如何在移动设备上运行 Docker？

本章就从在 DevOps 中最基本但也是最强大的工具 Docker 开始。最近，我在尝试更多Termux的可能性，于是就想着试试Docker适不适合arm架构。 我用的是天玑9000芯片，而不是高通，所以显示不出来 Qualcomm。所以我决定从在手机上运行 docker 开始，但这可能吗？让我们一起来看看吧…
阅读更多...
高性能并行计算华为云实验三：蒙特卡罗算法实验

高性能并行计算华为云实验三：蒙特卡罗算法实验

目录 一、实验目的 二、实验说明 三、实验过程 3.1 创建蒙特卡罗算法源码 3.2 Makefile的创建与编译 3.3 主机文件配置与运行监测​​​​​​​ 四、实验结果与分析 4.1 原教程对应的实验结果 4.2 改进后的实验结果 五、实验思考与总结 5.1 实验思考 5.2 实验总结…
阅读更多...
从零实现GPT【1】——BPE

从零实现GPT【1】——BPE

文章目录 Embedding 的原理训练特殊 token 处理和保存编码解码完整代码 BPE，字节对编码 Embedding 的原理 简单来说就是查表 # 解释embedding from torch.nn import Embedding import torch# 标准的正态分布初始化 也可以用均匀分布初始化 emb Embedding(10, 32) …
阅读更多...
探索Agent AI智能体的未来

探索Agent AI智能体的未来

随着人工智能（AI）技术的飞速发展，Agent AI智能体正成为一种改变世界的新力量。这些智能体不仅在当前的技术领域中发挥着重要作用，而且在未来将以更深远的影响改变我们的生活、工作和社会结构。本文将探讨Agent AI智能体的现状、潜…
阅读更多...
回顾今年的618大战：除了卷低价，还有别的出路吗？

回顾今年的618大战：除了卷低价，还有别的出路吗？

今年的618刚刚落下帷幕，大促期间，一些电商平台纷纷备足马力、迎接挑战，反倒是一向领跑的淘宝京东公开表示，今年取消了618预售制。 互联网电商20年来，每年618、双11轮流登场，“低价大战”愈演愈烈&#xff0…
阅读更多...
【C++】类和对象2.0

【C++】类和对象2.0

俺来写笔记了，哈哈哈，浅浅介绍类和对象的知识点！ 1.类的6个默认成员函数 俺们定义一个空类： class N {}; 似乎这个类N里面什么都没有，其实不是这样子的。这个空类有6个默认的成员函数 。 默认成员函数&#xff1a…
阅读更多...
Android 你应该知道的学习资源 进阶之路贵在坚持

Android 你应该知道的学习资源 进阶之路贵在坚持

coderzheaven 覆盖各种教程，关于Android基本时案例驱动的方式。 非常推荐 thenewcircle 貌似是个培训机构，多数是收费的，不过仍然有一些free resources值得你去挖掘。 coreservlets 虽然主打不是android，但是android的教程也​ 是…
阅读更多...
【前端技术】标签页通讯localStorage、BroadcastChannel、SharedWorker的技术详解

【前端技术】标签页通讯localStorage、BroadcastChannel、SharedWorker的技术详解

😄 19年之后由于某些原因断更了三年，23年重新扬帆起航，推出更多优质博文，希望大家多多支持～ 🌷 古之立大事者，不惟有超世之才，亦必有坚忍不拔之志 🎐 个人CSND主页——Mi…
阅读更多...
MySQL之复制(十二)

MySQL之复制(十二)

复制 复制的问题和解决方案 未定义的服务器ID 如果没有在my.cnf里面定义服务器ID,可以通过CHANGE MASTER TO 来设置备库，但却无法启动复制。 mysql>START SLAVE; ERROR 1200(HY000):The server is not configured as slave;fix in config file or with CHANG…
阅读更多...
实验13 简单拓扑BGP配置

实验13 简单拓扑BGP配置

实验13 简单拓扑BGP配置 一、 原理描述二、 实验目的三、 实验内容四、 实验配置五、 实验步骤 一、 原理描述 BGP（Border Gateway Protocol，边界网关协议）是一种用于自治系统间的动态路由协议，用于在自治系统（AS&…
阅读更多...
汇聚荣做拼多多运营怎么样？

汇聚荣做拼多多运营怎么样？

汇聚荣做拼多多运营怎么样?在电商行业竞争日益激烈的今天，拼多多作为一家迅速崛起的电商平台，吸引了众多商家入驻。对于汇聚荣这样的企业而言，选择在拼多多上进行商品销售和品牌推广，无疑需要一套高效的运营策略。那么&#xff0…
阅读更多...
技术师增强版，系统级别的工具！【不能用】

技术师增强版，系统级别的工具！【不能用】

数据安全是每位计算机用户都关心的重要问题。在日常使用中，我们经常面临文件丢失、系统崩溃或病毒感染等风险。为了解决这些问题，我们需要可靠且高效的数据备份与恢复工具。本文将介绍一款优秀的备份软件：傲梅轻松备份技术师增强版&#xff0…
阅读更多...
【MySQL数据库】：MySQL视图特性

【MySQL数据库】：MySQL视图特性

目录 视图的概念 基本使用 准备测试表 创建视图 修改视图影响基表 修改基表影响视图 删除视图 视图规则和限制 视图的概念 视图是一个虚拟表，其内容由查询定义，同真实的表一样，视图包含一系列带有名称的列和行数据。视图中的数据…
阅读更多...
地下管线管网三维建模系统MagicPipe3D

地下管线管网三维建模系统MagicPipe3D

地下管网是保障城市运行的基础设施和“生命线”。随着实景三维中国建设的推进，构建地下管网三维模型与地上融合的数字孪生场景，对于提升智慧城市管理至关重要！针对现有三维管线建模数据差异大、建模交互弱、模型效果差、缺乏语义信息等缺陷&a…
阅读更多...
多功能投票系统（ThinkPHP+FastAdmin+Uniapp）

多功能投票系统（ThinkPHP+FastAdmin+Uniapp）

让决策更高效，更民主🌟 ​基于ThinkPHPFastAdminUniapp开发的多功能系统，支持图文投票、自定义选手报名内容、自定义主题色、礼物功能(高级授权)、弹幕功能(高级授权)、会员发布、支持数据库私有化部署，Uniapp提供全部无加密源码…
阅读更多...
Android MVP模式 入门

Android MVP模式 入门

View：对应于布局文件 Model：业务逻辑和实体模型 Controllor：对应于Activity 看起来的确像那么回事，但是细细的想想这个View对应于布局文件，其实能做的事情特别少，实际上关于该布局文件中的数据绑定的操…
阅读更多...
高通安卓12-安卓系统定制2

高通安卓12-安卓系统定制2

将开机动画打包到system.img里面 在目录device->qcom下面 有lito和qssi两个文件夹 现在通过QSSI的方式创建开机动画，LITO方式是一样的 首先加入自己的开机动画，制作过程看前面的部分 打开qssi.mk文件，在文件的最后加入内容 PRODUCT_CO…
阅读更多...
【SSM】医疗健康平台-管理端-检查组管理

【SSM】医疗健康平台-管理端-检查组管理

技能目标 掌握新增检查组功能的实现 掌握查询检查组功能的实现 掌握编辑检查组功能的实现 掌握删除检查组功能的实现 体检的检查项种类繁多，为了方便管理和快速筛选出类别相同的检查项，医疗健康将类别相同的检查项放到同一个检查组中进行管理&#…
阅读更多...
ANR灵魂拷问：四大组件中的onCreate-onReceive方法中Thread-sleep()，会产生几个ANR-

ANR灵魂拷问：四大组件中的onCreate-onReceive方法中Thread-sleep()，会产生几个ANR-

findViewById(R.id.btn).setOnClickListener(new View.OnClickListener() { Override public void onClick(View v) { sleepTest(); } }); sleepTest方法详情 public void sleepTest(){ new Handler().postDelayed(new Runnable() { Override public void run() { Button but…
阅读更多...
＜Rust＞＜iced＞在iced中显示gif动态图片的一种方法

＜Rust＞＜iced＞在iced中显示gif动态图片的一种方法

前言 本文是在rust的GUI库iced中在窗口显示动态图片GIF格式图片的一种方法。 环境配置 系统：window 平台：visual studio code 语言：rust 库：iced、image 概述 在iced中，提供了image部件，从理论上说&…
阅读更多...
最新文章

Copyright @ 2022~2023