深度学习（1）——Pytorch基础

作者：夏风喃喃
参考：《动手学深度学习第二版》李沐

import torch									#Pytorch支持
import os										#文件操作
import pandas as pd								#数据处理
import numpy as np								#Python算术运算包
from matplotlib import pyplot as plt			#绘图
from IPython import display						#交互式Python库
from torch.distributions import multinomial		#多项分布包
import random									#随机数

一. 数据操作

创建数据：

x = torch.arange(12)				#创建递增数据		
torch.zeros((2, 3, 4))				#创建全零数据
torch.ones((2, 3, 4))				#创建全一数据
torch.randn(3, 4)					#创建均值0，标准差1的正态分布数据
torch.tensor([[2, 1], [1, 2]])		#创建自定义张量数据
X = x.reshape(3, 4)					#数据整形
x.shape								#打印数据形状
len(x)								#打印数据长度
x.numel()							#打印数据元素个数

数据运算：

torch.exp(x)						#指数运算
torch.cat((X, Y), dim=0)			#数据拼接
X.sum(axis=0)						#数据内元素求和，降维
A.sum(axis=1, keepdims=True)		#数据内元素求和，不降维
A.mean(axis=0)						#数据平均值，降维
A.cumsum(axis=0)					#数据元素的累积总和
A.T									#矩阵转置
A * B								#哈达玛积，元素对应相乘
torch.dot(x, y)						#点积，对应元素乘积之和
torch.mv(A, x)						#向量积，矩阵与向量的乘积
torch.mm(A, B)						#矩阵乘法，矩阵与矩阵的乘积
torch.abs(u).sum()					#数据的L1范数
torch.norm(u)						#数据的L2范数

本地运算：

X[:] = X + Y						#X参与运算前后地址不变
X += Y								#X参与运算前后地址不变

tensor张量与numpy标量转换：

A = X.numpy()						#转换为标量
B = torch.tensor(A)					#转换为张量
a.item()							#单元素数据转换为标量
float(a)							#单元素数据转换为标量
int(a)								#单元素数据转换为标量

二. 数据预处理

创建数据集：

#创建文件夹，如果已存在不会报错
os.makedirs(os.path.join('..', 'data'),exist_ok = True) 
#创建数据集文件的地址
data_file = os.path.join('..', 'data', 'house_tiny.csv')
#打开数据集文件并写入数据
with open(data_file, 'w') as f:
	# 列名,必须有列名，否则第一行数据会被read_csv识别为表头
    f.write('NumRooms,Alley,Price\\n')  
    # 每行表示一个数据样本
    f.write('NA,Pave,127500\\n') 
    f.write('2,NA,106000\\n')
    f.write('4,NA,178100\\n')
    f.write('NA,NA,140000\\n')

读取数据集：

data = pd.read_csv(data_file)		#使用read_csv函数读取数据集

处理缺失值：

inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]		#定位输入的列
inputs = inputs.fillna(inputs.mean())		#对输入列中NaN数据用列均值代替
#当一列只接受两种类型的类别值，则转换为两列，每列用1或0代表能否接受一种类别值
inputs = pd.get_dummies(inputs, dummy_na=True)

转换为张量格式：

#将预处理好的数据转换为张量格式，以便后续操作
X, y = torch.tensor(inputs.values), torch.tensor(outputs.values)

三. 绘图

为绘图做准备的三个函数：

def use_svg_display(): 
    """使用svg格式显示绘图。"""
    display.set_matplotlib_formats('svg')

def set_figsize(figsize=(3.5, 2.5)):  
    """设置matplotlib的图表大小。"""
    use_svg_display()
    plt.rcParams['figure.figsize'] = figsize

def set_axes(axes, xlabel, ylabel, xlim, ylim, xscale, yscale, legend):
    """设置matplotlib的轴。"""
    axes.set_xlabel(xlabel)
    axes.set_ylabel(ylabel)
    axes.set_xscale(xscale)
    axes.set_yscale(yscale)
    axes.set_xlim(xlim)
    axes.set_ylim(ylim)
    if legend:
        axes.legend(legend)
    axes.grid()

plot绘图函数：

def plot(X, Y=None, xlabel=None, ylabel=None, legend=None, xlim=None,
         ylim=None, xscale='linear', yscale='linear',
         fmts=('-', 'm--', 'g-.', 'r:'), figsize=(3.5, 2.5), axes=None):
    """绘制数据点。"""
    if legend is None:
        legend = []

    set_figsize(figsize)
    axes = axes if axes else d2l.plt.gca()

    # 如果 `X` 有一个轴，输出True
    def has_one_axis(X):
        return (hasattr(X, "ndim") and X.ndim == 1 or
                isinstance(X, list) and not hasattr(X[0], "__len__"))

    if has_one_axis(X):
        X = [X]
    if Y is None:
        X, Y = [[]] * len(X), X
    elif has_one_axis(Y):
        Y = [Y]
    if len(X) != len(Y):
        X = X * len(Y)
    axes.cla()
    for x, y, fmt in zip(X, Y, fmts):
        if len(x):
            axes.plot(x, y, fmt)
        else:
            axes.plot(y, fmt)
    set_axes(axes, xlabel, ylabel, xlim, ylim, xscale, yscale, legend)

使用plot绘图函数绘图：

plot(x,[f(x),3 * x - 3],'x','f(x)',legend=['f(x)', 'Tangent line (x=1)'])

四. 自动求导

x.requires_grad_(True)				#确定自变量x，需要求梯度
y = 2 * torch.dot(x, x)				#因变量y的计算
y.backward()						#确定因变量y，需要反向传播
y.sum().backward()					#非标量向量求导，需要求和反向传播
x.grad								#得到dy/dx的梯度导数值
x.grad.zero_()						#计算下一次的梯度时，先需要梯度清零
u = y.detach()						#detach后,u为y的值，而不是y的表达式

五. 概率论

fair_probs = torch.ones([6])/6
#按fair_probs中数的大小为概率随机抽取一个数据并置为1，抽取后会放回
multinomial.Multinomial(1, fair_probs).sample()