注：本文所有深度学习内容都是基于PyTorch，PyTorch作为一个开源的深度学习框架，具有可以动态计算图、拥有简洁易用的API、支持GPU加速等特点，在计算机视觉、自然语言处理、强化学习等方面有广泛应用。
使用matplotlib绘图：
import matplotlib.pyplot as plt
fig, ax=plt.subplots() #创建一个图形窗口
plt.show() #不绘制任何内容，直接显示空图Numpy:
在机器学习和深度学习中，图像、声音、文本等输入数据最终都要转换为数组或矩阵。如何有效地进行数组和矩阵的运算？这就需要充分利用Numpy。Numpy是数据科学的通用语言，而且与PyTorch关系非常密切，它是科学计算、深度学习的基石。尤其对PyTorch而言，其重要性更加明显。PyTorch中的Tensor与Numpy非常相似，它们之间可以非常方便地进行转换，掌握Numpy是学好PyTorch的重要基础。
NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和ufunc（universal function object）。ndarray是存储单一数据类型的多维数组，而ufunc则是能够对数组进行处理的函数。
生成NumPy数组：
NumPy是Python的外部库，不在标准库中。因此，若要使用它，需要先导入NumPy。如何生成ndarray呢？这里我们介绍生成ndarray的几种方式，如从已有数据中创建、利用random创建、创建特殊多维数组、使用arange函数等。
import numpy as np
print(np.array([1, 2, 3])) #使用np.array()函数创建了一个一维的numpy数组，包含元素1、2、3，并打印这个数组。输出结果类似于[1 2 3]
print(np.zeros((10, 100, 1000))) #使用np.zeros()函数创建了一个三维的numpy数组，形状为(10, 100, 1000)，并且所有元素都初始化为0，然后打印这个数组。输出结果是一个由0组成的三维数组。这个数组可以用于存储数据或者作为初始值进行进一步的计算。例如，在某些算法中，可以先创建一个全零的数组，然后逐步填充数据
