李沐深度学习笔记-05线性代数

本文介绍了深度学习中的线性代数基础知识,包括标量、向量、矩阵的表示和操作,如哈达玛积、求和及矩阵向量积。此外,还详细探讨了PyTorch中拷贝的概念,区分了浅拷贝和深拷贝的差异,浅拷贝共享内存,深拷贝创建独立副本,并讨论了它们在梯度计算和计算图中的影响。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1.线性代数

标量由只有一个元素的张量表示

import torch
x=torch.tensor([3.0])
y=torch.tensor([2.0])
x+y,x*y,x/y,x**y
#输出(tensor([5.]), tensor([6.]), tensor([1.5000]), tensor([9.]))

可以将向量视为标量值组成的列表

x=torch.arange(4)
x
#输出tensor([0, 1, 2, 3])

通过张量的索引来访问任一元素

x[3]
#输出tensor(3)

访问张量的长度

len(x)
#4

只有一个轴的张量,形状只有一个元素

x.shape
#torch.Size([4])

通过指定两个分量m和n来创建一个形状为m*n的矩阵

A=torch.arange(20).reshape(5,4)
A
'''输出tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11],
        [12, 13, 14, 15],
        [16, 17, 18, 19]])
'''
B=torch.tensor([[1,2,3],[2,0,4
### 深度学习笔记资源汇总 对于希望获取《动手学深度学习》相关笔记的读者来说,存在多种途径可以访问这些资料。课程笔记不仅覆盖了理论讲解还包含了实践操作指南[^3]。 #### PDF 版本笔记 目前官方并没有提供统一整理成PDF版本的笔记文件。不过社区成员基于个人学习过程中制作了一些总结文档,但需要注意的是这类非官方发布的材料版权归属可能存在争议,建议优先考虑通过合法渠道获取学习素材。 #### GitHub 仓库 GitHub上有一个由exacity维护的项目专门用于存放《Deep Learning Book》中文翻译版的内容,虽然这不是直接针对老师的教材,但对于理解深度学习原理同样具有很高的参考价值[^2]: - **链接**: [Deeplearningbook Chinese](https://github.com/exacity/deeplearningbook-chinese) 另外,在[动手学深度学习v2 PyTorch版](https://zh.d2l.ai/)官方网站提供了每章对应的Jupyter Notebook形式的学习资料下载选项,这对于想要跟随教程亲手实验的同学非常有帮助[^4]。 #### 数据处理相关内容 如果特别关注于数据获取方面的话题,则可以从实用机器学习的角度出发了解如何收集、清洗并利用不同类型的机器学习数据集,这部分内容涉及到了诸如公开可用的数据源介绍以及自动化抓取技术等知识点[^5]。 ```python import requests from bs4 import BeautifulSoup def fetch_data(url): response = requests.get(url) soup = BeautifulSoup(response.text, 'html.parser') return soup.prettify() ``` 此段Python代码展示了简单的网页爬虫实现方式之一,可用于从互联网上提取所需的信息作为后续分析的基础。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值