深度学习的基本使用（Pytorch）
深度学习框架 Pytorch 的安装
-
在 pycharm 官网下载 pycharm
-
安装
-
在 anaconda 官网下载 anaconda3，并安装。（如果下载速度太慢，建议使用迅雷下载）
-
在开始菜单打开 anaconda Prompt。
-
打开 anaconda Prompt 后有 base 弹窗说明安装成功。
-
在搜索栏打开 cmd。
-
在 cmd 中给 anaconda 配置虚拟环境。（全选 y）
-
后会弹出两个选项，敲 conda activate pytorch。
-
进入 pytorch 官网。
https://pytorch.org/ -
选择好版本后，复制 run this command 中提供的指令。（轻薄本，办公本建议使用 cpu
版，电脑显卡好的可以选择 cuda 版本，建议显存 6G 以上的电脑下载 cuda 版本）y -
复制好后进入 anaconda prompt。
-
进入创建好的虚拟环境。
-
输入复制的指令，选 y。
-
进入 pycharm，在 settings 中选择 python interpreter。
-
在右上角选择 show all。选择刚刚配置的环境。
-
选择刚才创建的虚拟环境。点击 ok 即可。
-
如果没有找到安装的虚拟环境，点击右下角加号。
-
点击existing environment。找到安装anaconda的路径，选择anconda下的python.exe，点击 ok。
-
然后选择在 anaconda 下创建的虚拟环境即可。
数据操作
学习创建张量
（1）深度学习中，数据操作很频繁，使用 torch.Tensor 作为储存和变换数据的主要工具。
（2） import.torch 引入 torch 包，用 torch.empty 创建给定大小的 Tensor。
（3） 使用 torch.size 或者 torch.shape 获取 Tensor 的大小。
了解张量的基本操作
（1） 张量相加：(其他基本算法以此类推)
import torch
X = torch.rand(4, 5)
Y = torch.rand(4, 5)
print(torch.add(X, Y))
print(Y.add(X))
结果：
可见两种张量加法所得结果相同。
（2） 常用线性函数：
（3） 索引操作：Tensor 的索引操作与 numpy 中一致，需要注意的是索引出来的结果与原数据共享内存，即修改一个，另一个也跟着变化，示例如下：
import torch
X = torch.rand(4, 5)
print(X[0, :]) # 输出指定行
print(X[:, 2]) # 输出指定列
print(X[0, ::2]) # 输出指定行第0个元素开始隔2个取值构成的张量
结果：
一些高级的选择函数：
(4) 改变 Tensor 形状：
x = torch.rand(4, 5)
print(x.clone().view(20)) # 变为一维，用 clone()可以避免 x 被改变
print(x.clone().view(-1, 10)) # 变为指定大小，-1 表示的维度可以根据其他维度推算。
print(x.clone().view(10, -1)) # 同上
结果：
(5) 广播机制
当两个形状不同的 Tensor 按元素运算时，会触发广播机制：先复制元素使这两个 Tensor
形状相同后在按元素运算，例如：
X = torch.arange(1, 3).view(1, 2)
Y = torch.arange(1, 4).view(3, 1)
Z = torch.add(X, Y)
print(X)
print(Y)
print(Z)
结果：
(6) 张量的连结(concatenate)
很多情况下，我们需要把多个张量连结（concatenate）在一起，把它们端对端地叠起来形成⼀个更⼤的张量。我们只需要提供张量列表，并给出沿哪个轴连结。下⾯的例⼦分别演示了当我们沿行（轴-0，形状的第⼀个元素）和按列（轴-1，形状的第⼆个元素）连结两个矩阵时会发⽣什么情况。我们可以看到，第⼀个输出张量的轴-0⻓度 (6) 是两个输⼊张量，轴-0⻓度的总和 (3 + 3)；第⼆个输出张量的轴-1⻓度 (8) ，是两个输⼊张量轴-1⻓度的总和 (4 + 4)。
X = torch.arange(12, dtype=torch.int16).reshape((3, 4))
Y = torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(torch.cat((X, Y), dim=0)) # 纵向连接
print(torch.cat((X, Y), dim=1)) # 横向连接
结果：
有时，我们想通过逻辑运算符构建二元张量。以 X == Y 为例子。对于每个
位置，如果 X 和 Y 在该位置相等， 则新张量中相应项的值为 1，这意味着逻
辑语句 X == Y 在该位置处为真，否则该位置为 0。
(7) Tensor 与 Numpy 转换
Tensor 与 numpy 数组的转换需要用到 numpy（）和 from_numpy（），需要
注意的是：这两个函数所产生的 tensor 和 numpy 中的数组共享相同的内存，
故改变其中一个另一个也会改变。
import torch
import numpy as np
X = torch.arange(1, 3)
a = np.arange(2, 4)
Y = X.numpy()
b = torch.from_numpy(a)
print(X)
print(Y)
print(a)
print(b)
结果：
数据预处理
如何读取数据集？
import os
import pandas as pd
os.makedirs(os.path.join('..', 'data'), exist_ok=True)
data_file = os.path.join('..', 'data', 'house_tiny.csv')
with open(data_file, 'w') as f:
f.write('NumRooms, Alley, Price\n') # 列名
f.write('NA, Pave, 127500\n') # 每行表示一个样本数据
f.write('2, NA, 106000\n')
f.write('4, NA, 178100\n')
f.write('NA, NA, 140000\n')
data = pd.read_csv(data_file)
print(data)
结果：
线性代数
张量
就像向量是标量的推广，矩阵是向量的推广一样，我们可以构建具有更多轴的数据结构。张量（本小节中的“张量”指代数对象）为我们提供了描述具有任意数量轴的 n 维数组的通用方法。例如，向量是一阶张量，矩阵是二阶张量。张量用特殊字体的大写字母（例如，X、Y 和 Z）表示，它们的索引机制(例如.zjg.和[X1,2i-1,3)与矩阵类似。
import torch
A = torch.arange(12, dtype=torch.int16).reshape(2, 3, 2)
print(A)
结果：
张量算法的基本性质
标量、向量、矩阵和任意数量轴的张量有一些很好的属性，通常会派上用场。例如，你可能已经从按元素操作的定义中注意到，任何按元素的一元运算都不会改变其操作数的形状。同样，给定具有相同形状的任意两个张量，任何按元素二元运算的结果都将是相同形状的张量。例如，将两个相同形状的矩阵相加会在这两个矩阵上执行元素加法。
import torch
A = torch.arange(12, dtype=torch.int16).reshape(2, 3, 2)
B = A.clone()
print(A)
print(A+B)
结果：
微分与求导
import torch
x = torch.arange(4.0, requires_grad=True) # 打开梯度存储，需要数据类型为浮点型
y = 2 * torch.dot(x, x)
print(y)
y.backward() # 反向传播，更新x梯度
print(x.grad)
print(x.grad == 4 * x, '\n') # 验证梯度计算正确性
x.grad.zero_() # 默认叠加梯度，需清除之前的梯度
y = x.sum()
print(y)
y.backward()
print(x.grad)
结果：