个人学习笔记1：动手学深度学习pytorch版-李沐

#深度学习# #人工智能# #神经网络#

2.预备知识：

涉及概念：张量：tensor，相当于n维数组。张量类支持自动微分。张量表示一个由数值组成的数组，这个数组可能有多个维度。具有一个轴的张量对应数学上的向量（vector）；具有两个轴的张量对应数学上的矩阵（matrix）。

2.1数据操作：

2.1.1入门

相关代码测试：

#导入pytorch包
import torch

#使用 arange 创建一个行向量 x。包含以0开始的前12个整数
x = torch.arange(12)
print("x向量为:", x)

#使用shape访问张量的形状（沿每个轴的长度）
print("x形状为:", x.shape)

#使用numel查询张量中元素的总数
print("x元素总和为:", x.numel())

#用reshape函数，改变张量的形状而不改变元素数量和元素值
X = x.reshape(3, 4)
print("X为:", X)

#创建一个形状为（2,3,4）的张量
print("形状为（2,3,4）的全0张量：",torch.zeros((2, 3, 4)))
print("形状为（2,3,4）的全1张量：",torch.ones((2, 3, 4)))#

#创建一个形状为（3,4）的张量。每个元素都从均值为0、标准差为1的标准高斯分布（正态分布）中随机采样
print("形状为(3,4)的随机张量为：",torch.randn(3, 4))

#通过提供包含数值的Python列表（或嵌套列表），来为所需张量中的每个元素赋予确定值。在这里，最外层的列表对应于轴0，内层的列表对应于轴1。
print("通过嵌套列表构成的张量",torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]))

运行结果：

2.1.2 运算符

对于任意具有相同形状的张量，常见的标准算术运算符（+、-、*、/和**）都可以被升级为按元素运算。

代码例子：

#创建两个形状相同的张量想x，y
x = torch.tensor([1.0, 2, 4, 8])

y = torch.tensor([2, 2, 2, 2])
#进行运算操作
x + y, x - y, x * y, x / y, x ** y  # **运算符是求幂运算

结果如下：

多个张量连结（concatenate）:指：沿行（轴‐0，形状的第一个元素）和按列（轴‐1，形状的第二个元素）连结两个矩阵。

代码例子如下：

#第一个输出张量的轴‐0长度（6）是两个输入张量轴‐0长度的总和（3 + 3）；第二个输出张量的轴‐1长度（8)是两个输入张量轴‐1长度的总和（4 + 4）。
#创建两个相同形状的张量：
X = torch.ara