1. 数据操作

N维数组样例

• N维数组是机器学习和神经网络的主要数据结构

• 0-d

  一个类别： 1.0

• 1-d

  一个特征向量(一维矩阵)：[1.0, 2.7, 3.4]

• 2-d

  一个样本-特征矩阵-(二维矩阵)

• 3-d

  RGB图片 （宽x高x通道）- 三维数组

• 4-d

  一个RGB图片批量（批量大小x宽x高x通道）

• 5-d

  一个视频批量（批量大小x时间x宽x高x通道）

• 创建数组需要：

  • 形状
  • 每个元素的数据类型
  • 每个元素的值

• 访问元素

  • 一个元素 ：[1, 2]
  • 一行：[1, :]
  • 一列：[:, 1]
  • 子区域：[1:3, 1:] (访问到的是1-2行【注意是开区间】，列是访问到底)
  • 子区域：[：：3, ：：2] （访问的是第一行到最后一行，但是每三行一跳，列没两列一跳）

2. 数据操作实现

• 首先要导入torch，张量表示要给数值组成的数组，这个数组可能有多个维度

• 可以通过张量的shape属性来访问张量的形状和张量中元素的总数，使用numel来访问张量中的种数

• 要改变一个张量的形状而不改变元素数量和元素值，我们可以调用reshape函数

  

• 使用全0、全1、其他常量或者从特定分布种随机采样的数字- zeros() 和ones()函数

  

• 通过提供包含数值的python列表（或者嵌套列表）来为所需张量中的每个元素赋予确定值

• 常见的标准算数运算符（+，-，*，/，和**【求幂】）都可以被升级为按元素运算

​ 按元素方式应用更多的计算

• 也可以将多个张量连接在一起

• 通过逻辑运算符构建二元张量

• 对张量中的所有元素进行求和会产生一个只有一个元素的张量
  
• 即使形状不同，我们任然可以通过调用广播机制（broadcasting mechanism）来执行按元素操作
  只要维度相同，a->(3x2) b->(3x2)
  
• 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
  
• 除了读取外，还可以通过指定索引来将元素写入矩阵
  - 为多个元素赋相同的值，只需要索引所有元素，然后为他们赋值
  
• 运行一些操作
  
• 如果后续计算中没有重复使用x，可以使用x[:] = x+Y或者x+=Y来减少操作的内存开销
  
• 转化
  

3. 数据预处理

创建一个人工数据集，并存储在csv（逗号分隔值）文件