莫烦pytorch(1)

1. torch类型numpy的互相转换

import numpy as np
import tensorflow as tf
import torch

np_data = np.arange(6).reshape((2, 3))   #(2,3)
torch_data = torch.from_numpy(np_data)   #转换成tensor
tensor2array = torch_data.numpy()        #tensor—>numpy
print(
    '\nnumpy array:', np_data,          # [[0 1 2], [3 4 5]]
    '\ntorch tensor:', torch_data,      #  0  1  2 \n 3  4  5    [torch.LongTensor of size 2x3]
    '\ntensor to array:', tensor2array, # [[0 1 2], [3 4 5]]
)

在这里插入图片描述

2.sin,mean,abs等函数的语法,torch和numpy保持了一致性

data=[-1,-2,1,2]
tensor=torch.FloatTensor(data)#把data变成张量
print(
    "\nabs",
    "\nnumpy:",np.abs(data),
    "\ntorch:",torch.abs(tensor)
)

#sin
print('\nsin',
    '\nnumpy: ',np.sin(data),
      "\ntorch:",torch.sin(tensor))

#mean
print("\nmena",
      "\nnumpy:",np.mean(data),
      "\ntorch:",torch.mean(tensor))

在这里插入图片描述

3.矩阵相乘

data=[[1,2],[3,4]]
tensor=torch.FloatTensor(data)
print('\nmatrix multiplication (matmul)',
    '\nnumpy: ',np.matmul(data,data),
    "\ntorch:",tensor@tensor,         #这个方法莫烦在视频中没有说道
      "\ntorch:", torch.mm(tensor,tensor))

在这里插入图片描述
在此注意一点,视频中未提到tensor@tensor,但是确实存在(如有错误,欢迎指出)

4.不一致的点

data=[[1,2],[3,4]]
data=np.array(data)
tensor=torch.FloatTensor(data)
print(
    '\nmatrix multiplication (dot)',
    '\nnumpy: ',data.dot(data),
    "\ntorch:",tensor.dot(tensor))

****
这里报错,因为tensor只能针对一维的数组

————————————————————————————————————————————————

我是一名机器学习的初学者,是万千小白中努力学习的一员(刚涉机器学习的坑,如有错误,希望指出,共同进步)

### 关于 `null` 的本质及其在 JavaScript 中的表现 在 JavaScript 中,`null` 是一种特殊的值,它表示一个空的或不存在的对象引用。然而,由于历史原因和技术实现细节,`typeof null` 返回的是 `"object"`[^1]。这种行为源于早期 JavaScript 引擎的设计决策,在底层实现中,`null` 的二进制形式全为 0,这使得其被错误分类为对象类型。 从更广泛的计算机科学角度来看,`null` 并不仅仅是一个简单的零值。实际上,它是用来标记未初始化或者无意义状态的一种特殊标志。特别是在 C 和其他低级编程语言中,`null` 常常作为指针的一个特例存在,它的本质可以被认为是指向地址 `0x00000000` 的指针[^2]。 尽管如此,这些概念并不直接影响 PyTorch 或者强化学习的学习路径。以下是针对您提到的需求——强化学习中的 PyTorch 教程的相关信息: --- ### 强化学习与 PyTorch 结合的内容概述 #### 什么是 Python? Python 提供了一系列高质量的教学视频和文档,涵盖了从基础到高级的各种主题,其中包括机器学习、深度学习以及强化学习等内容。对于初学者来说,这是一个非常友好的起点。 #### 如何找到与 PyTorch 相关的强化学习资料? 如果您希望专注于基于 PyTorch 实现的强化学习算法,则可以从以下几个方面入手: 1. **官方文档** 官方网站提供了详细的 API 文档和教程,其中包含了如何利用 PyTorch 构建神经网络模型并将其应用于强化学习场景的例子。 2. **第三方课程推荐** - Bilibili 上有许多由个人开发者上传的免费教学视频,您可以搜索关键词“ PyTorch”或“PyTorch 强化学习”,通常能找到一些实用的讲解内容。 - GitHub 存储库也是获取开源项目的好地方。通过查询类似于 “pytorch reinforcement learning tutorial” 这样的关键字,能够发现许多社区贡献者的实践案例。 3. **书籍建议** 如果倾向于阅读纸质材料,《Deep Reinforcement Learning Hands-On》是一本不错的入门书目,书中部分章节专门讨论了怎样借助 PyTorch 来完成具体的实验设计。 下面给出一段简单演示代码片段用于展示如何定义策略梯度方法的基础框架 (Policy Gradient): ```python import torch import torch.nn as nn import torch.optim as optim class PolicyNetwork(nn.Module): def __init__(self, input_size, output_size): super(PolicyNetwork, self).__init__() self.fc = nn.Linear(input_size, output_size) def forward(self, state): action_probs = torch.softmax(self.fc(state), dim=-1) return action_probs # 初始化参数 input_dim = 4 # 输入维度大小 output_dim = 2 # 输出动作空间数量 learning_rate = 0.01 policy_net = PolicyNetwork(input_dim, output_dim) optimizer = optim.Adam(policy_net.parameters(), lr=learning_rate) def select_action(state): state_tensor = torch.tensor([state], dtype=torch.float32) probs = policy_net(state_tensor).detach().numpy() action = np.random.choice(output_dim, p=probs[0]) return action ``` 此脚本仅作为一个基本示例提供给读者参考,具体应用时还需要考虑更多因素如环境交互逻辑等。 --- ### 总结 虽然 `null` 在不同上下文中有着不同的解释方式,但它并不会干扰我们探索现代 AI 工具集的过程。如果想深入研究结合 PyTorch 的强化学习技术栈,上述资源应该能为您提供良好的开端。
评论 1
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