??說明：該文章是學(xué)習(xí) 李沐老師在B站上分享的視頻 動(dòng)手學(xué)深度學(xué)習(xí) PyTorch版而記錄的筆記， 版權(quán)歸李沐老師以及老師背后的團(tuán)隊(duì)所有，為了節(jié)省時(shí)間，筆記僅僅是粗淺的截圖以及貼上代碼，作用僅僅是復(fù)習(xí)以及忘了方便到b站上進(jìn)行回看，以及方便更多的人學(xué)習(xí)。 若有侵權(quán)，請(qǐng)聯(lián)系本人刪除。筆記難免可能出現(xiàn)錯(cuò)誤或筆誤，若讀者發(fā)現(xiàn)筆記有錯(cuò)誤，歡迎在評(píng)論里批評(píng)指正。另外 部分內(nèi)容直接由鏡像GPT生成，請(qǐng)自行注意甄別。
??筆記可能更新緩慢，建議去b站觀看完整視頻。
??其他參考鏈接： Windows 下安裝 CUDA 和 Pytorch 跑深度學(xué)習(xí) - 動(dòng)手學(xué)深度學(xué)習(xí)v2、 python數(shù)據(jù)分析神器Jupyter notebook快速入門、 也許是B站最好的 Markdown 科普教程、 Markdown的官方文檔

課程主頁：https://courses.d2l.ai/zh-v2
教材：https://zh-v2.d2l.ai
課程論壇討論：https://discuss.d2l.ai/c/16
Pytorch論壇：https://discuss.pytorch.org/

預(yù)告

??1.學(xué)習(xí)深度學(xué)習(xí)的關(guān)鍵是動(dòng)手

??2.什么是《動(dòng)手學(xué)深度學(xué)習(xí)》

??3.曾經(jīng)推出的版本（含github鏈接）

含github鏈接：https://github.com/d2l-ai/d2l-zh

一、課程安排

??1.目標(biāo)

??2.內(nèi)容

??3.上課形式

??4.你將學(xué)到什么

??5.資源

課程主頁：https://courses.d2l.ai/zh-v2
教材：https://zh-v2.d2l.ai
課程論壇討論：https://discuss.d2l.ai/c/16
Pytorch論壇：https://discuss.pytorch.org/

二、深度學(xué)習(xí)的介紹

??1.AI地圖

??2.深度學(xué)習(xí)在一些應(yīng)用上的突破

??圖片分類、物體檢測(cè)和分割、樣式遷移、人臉合成、文字生成圖片、文字生成、無人駕駛、廣告點(diǎn)擊等。

http://www.image-net.org/

https://github.com/matterport/Mask_RCNN

https://github.com/StacyYang/MXNet-Gluon-Style-Transfer

https://openai.com/blog/dall-e/

??3.案例研究一廣告點(diǎn)擊

??簡(jiǎn)單的機(jī)器學(xué)習(xí)包括特征提取、模型的預(yù)測(cè)。

三、安裝

# 1.[可選]使用conda/miniconda環(huán)境
conda env remove d2l-zh
conda create -n -y d2l-zh python=3.8 pip
conda activate d2l-zh
# 2.安裝需要的包
pip install -y jupyter d2l torch torchvision
# 3.下載代碼并執(zhí)行
wget https://zh-v2.d2l.ai/d2l-zh.zip
unzip d2l-zh.zip
jupyter notebook

??關(guān)于安裝這塊，初學(xué)者可能大家跟我一樣看不懂云端的配置方法，故請(qǐng)切換到李沐老師的非云端的環(huán)境配置方法的視頻：Windows 下安裝 CUDA 和 Pytorch 跑深度學(xué)習(xí) - 動(dòng)手學(xué)深度學(xué)習(xí)v2

??1.Windows下的安裝CUDA

??首先，如下圖所示，使用快捷鍵"Win+R"打開運(yùn)行窗口，然后輸入“dxdiag”并回車。然后點(diǎn)擊“顯示”，查看電腦是否有NVIDIA的GPU，如果沒有，本安裝方法不適用。

dxdiag

??接下來我們?nèi)vidial的官網(wǎng)下載CUDA。可直接搜素“CUDA”，點(diǎn)擊“CUDA Toolkit 11.6 Downlo…”。然后根據(jù)自己的電腦選擇合適的參數(shù)，選擇本地安裝，點(diǎn)擊“Download”即可進(jìn)行下載。（注意：此處版本最好安裝11.8或12.1的，2023.10.5注明，此時(shí)PyTorch最新支持這兩個(gè)版本。建議大家在選擇版本前，先到Pytorch官網(wǎng)（“https://pytorch.org/”）看看。）


??雙擊安裝。

??選擇安裝目錄，點(diǎn)擊“OK”。

??點(diǎn)擊“繼續(xù)”。（未安裝過CUDA的可能不會(huì)出現(xiàn)這個(gè)頁面。）

??接著按下面一堆圖所示操作。

??2.驗(yàn)證CUDA是否安裝成功

??如下圖，打開命令行窗口。

??然后輸入命令“nvidia-smi”，能查到CUDA的版本號(hào)，說明CUDA安裝成功。

nvidia-smi

??3.下載并安裝一個(gè)Python環(huán)境(安裝Miniconda)

??首先進(jìn)入“Conda”（鏈接“https://docs.conda.io/en/latest/”），然后點(diǎn)擊“Miniconda”，點(diǎn)擊“Miniconda3 Windows 64-bit”。


??如下一堆圖所示進(jìn)行安裝。







??然后如下圖所示查看安裝的Python環(huán)境。

python --version   # 查看安裝的Python環(huán)境

??4.到Pytorch官網(wǎng)下載對(duì)應(yīng)的GPU版本

??接著到到Pytorch官網(wǎng)（“https://pytorch.org/”）下載對(duì)應(yīng)的GPU版本。發(fā)現(xiàn)剛剛裝的CUDA（版本11.6）不是最新的，于是選擇版本11.8的，版本差異最小，有點(diǎn)小問題。

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

??然后到”Anaconda Prompt“去執(zhí)行剛剛復(fù)制的pip命令。

??安裝完后，我們嘗試在GPU上運(yùn)行一個(gè)簡(jiǎn)單的Python程序，驗(yàn)證是否有問題。結(jié)果發(fā)現(xiàn)程序能夠正常運(yùn)行，說明沒有問題。（本人代碼輸錯(cuò)了好幾次，請(qǐng)忽略）

python   # 進(jìn)入python

import torch
a=torch.ones((3,1))
a=a.cuda(0)
b=torch.ones((3,1)).cuda(0)
a+b

??5.運(yùn)行一個(gè)深度學(xué)習(xí)的應(yīng)用（安裝jupyter和d2l；下載d2I記事本,運(yùn)行測(cè)試）

??打開教材官網(wǎng)：https://zh-v2.d2l.ai。然后下載記事本并解壓。

??接著退出python，再安裝兩個(gè)包:jupyter和d2l。

quit()  # 退出python
pip install jupyter d2l  # 安裝兩個(gè)包:jupyter和d2l

??如下圖所示啟動(dòng)”jupyter notebook“,會(huì)自動(dòng)打開一個(gè)瀏覽器窗口。

jupyter notebook  # 啟動(dòng)”jupyter notebook“

??然后類似下面的路徑，找到”resnet.ipynb“并點(diǎn)擊。



??接著,選擇”Kernel“，點(diǎn)擊運(yùn)行所有的選項(xiàng)”Restart Kernel and Run All Cells…“。點(diǎn)擊”Restart“。


??然后將頁面拖到最后，發(fā)現(xiàn)模型已經(jīng)跑了起來。打開”Anaconda Powershell Promp…“，輸入”nvidia-smi“查看GPU的使用率。

nvidia-smi   # 查看GPU的使用率

??等模型跑完后，打開教材對(duì)應(yīng)的地方，對(duì)比兩次的結(jié)果。

??6.本次總結(jié)

四、數(shù)據(jù)操作+數(shù)據(jù)預(yù)處理

??1.數(shù)據(jù)操作

??（1）N維數(shù)組樣例

??（2）創(chuàng)建數(shù)組

??（3）訪問元素

??2.數(shù)據(jù)操作實(shí)現(xiàn)

??（1）補(bǔ)充：Jupyter的入門

??關(guān)于Jupyter notebook的使用，大家可以隨便找個(gè)視頻學(xué)習(xí)一下，比如本人觀看了下面的視頻：python數(shù)據(jù)分析神器Jupyter notebook快速入門。

??需要知道（由于Jupyter的改版，部分操作有所變化）：

注：這些內(nèi)容均來源于剛剛的鏈接，只是少部分由于Jupyter的改版，操作有所變化
1.特點(diǎn)：把代碼和文本變成單元格，可逐步運(yùn)行單元格或運(yùn)行部分單元格。
2.優(yōu)點(diǎn)：
-（1）.學(xué)習(xí)簡(jiǎn)單，掌握十幾個(gè)快捷鍵即可飛速入門。
-（2）.Jupyter是以代碼塊和單元格為單位進(jìn)行運(yùn)行的。優(yōu)點(diǎn)：容易查看中間變量，易調(diào)試，方便找出bug。
-（3）.可插入markdown的說明性文字。
3.安裝
pip install jupyter # 安裝jupyter包
4.新建文件
- New-選擇需要?jiǎng)?chuàng)建的文件類型或者文件夾等
5.打開方式以及創(chuàng)建“jupyter”文件
- 打開命令行窗口，輸入命令”jupyter notebook“即可打開。（注意：如果是跟著本筆記走的，得去“Anaconda Prompt”中打開，因?yàn)槭窃谀抢锩姘惭b的jupyter包，否則不能啟動(dòng)jupyter）
jupyter notebook  # 啟動(dòng)”jupyter notebook“，讓瀏覽器使用jupyter打開當(dāng)前目錄
- 瀏覽器使用jupyter打開當(dāng)前目錄后，然后尋找jupyter文件。第一次使用可能沒有jupyter文件，此時(shí)選擇一個(gè)合適的目錄，然后右擊“New Notebook”創(chuàng)建“.ipynb”的jupyter notebook文件
- 選擇語言類型，點(diǎn)擊“Select”，即可成功創(chuàng)建文件。
6.文檔編輯
- 自行學(xué)習(xí)markdown的編寫方式以及聽剛剛給出的鏈接的視頻
- 分為命令模式和編輯模式
- 公式可使用LaTeX代碼
7.快捷鍵
- 查看快捷鍵：Help-Show Keyboard Shortcuts。下面是將快捷鍵復(fù)制出來經(jīng)翻譯后的結(jié)果，個(gè)別是補(bǔ)充的：
** 命令模式 ESC
** 重新做 Ctrl + Shift + Z
** 撤銷 Ctrl + Z
中斷內(nèi)核 I + I
重新啟動(dòng)內(nèi)核… 0 + 0
** 切換到代碼單元格類型 Y
切換到標(biāo)題1 1
切換到標(biāo)題2 2
切換到標(biāo)題3 3
切換到標(biāo)題4 4
切換到標(biāo)題5 5
切換到標(biāo)題6 6
** 切換到Markdown單元格類型 M
切換到原始單元格類型 R
折疊所有標(biāo)題 Ctrl + Shift + ArrowLeft
** 復(fù)制單元格 C
** 剪切單元格 X
** 刪除單元格 D + D
** 進(jìn)入編輯模式 Enter
展開所有標(biāo)題 Ctrl + Shift + ArrowRight
向上擴(kuò)展選擇 Shift + ArrowUp
向上擴(kuò)展選擇 Shift + K
向下擴(kuò)展選擇 Shift + ArrowDown
向下擴(kuò)展選擇 Shift + J
擴(kuò)展選擇至底部 Shift + End
擴(kuò)展選擇至頂部 Shift + Home
** 在上方插入單元格 A
** 在下方插入單元格 B
在當(dāng)前標(biāo)題上方插入標(biāo)題 Shift + A
在當(dāng)前標(biāo)題下方插入標(biāo)題 Shift + B
合并上方單元格 Ctrl + Backspace
合并下方單元格 Ctrl + Shift + M
合并選定單元格 Shift + M
下移單元格 Ctrl + Shift + ArrowDown
上移單元格 Ctrl + Shift + ArrowUp
選擇下方單元格 ArrowDown
選擇下方單元格 J
選擇上方標(biāo)題或折疊標(biāo)題 ArrowLeft
選擇下方標(biāo)題或展開標(biāo)題 ArrowRight
選擇上方單元格 ArrowUp
選擇上方單元格 K
粘貼至下方單元格 V
重做單元格操作 Shift + Z
** 運(yùn)行選定單元格并不前進(jìn) Ctrl + Enter
運(yùn)行選定單元格并在下方插入 Alt + Enter
選擇所有單元格 Ctrl + A
** 顯示行號(hào) Shift + L
并排渲染 Shift + R
撤銷單元格操作 Z
** 運(yùn)行選定單元格并跳到下一單元格 Shift + Enter
結(jié)束搜索 Escape
查找下一個(gè) Ctrl + G
查找上一個(gè) Ctrl + Shift + G
查找… Ctrl + F
激活下一個(gè)標(biāo)簽 Ctrl + Shift + ]
激活下一個(gè)標(biāo)簽欄 Ctrl + Shift + .
激活上一個(gè)標(biāo)簽 Ctrl + Shift + [
激活上一個(gè)標(biāo)簽欄 Ctrl + Shift + ,
切換左側(cè)區(qū)域 Ctrl + B
切換模式 Ctrl + Shift + D
激活命令面板 Ctrl + Shift + C
顯示鍵盤快捷鍵 Ctrl + Shift + H
** 暫停 F9
** 下一步 F10
調(diào)試器面板 Ctrl + Shift + E
步入 F11
步出 Shift + F11
** 終止 Shift + F9
** 保存筆記本 Ctrl + S
另存為筆記本… Ctrl + Shift + S
激活以前使用的標(biāo)簽 Ctrl + Shift + '
目錄 Ctrl + Shift + K
8.文件重命名
- 聽剛剛給出的鏈接的視頻或者自己摸索或者上網(wǎng)查
9.運(yùn)行
- （1）全部運(yùn)行：Run-Run All Cells。代碼塊前顯示數(shù)字，表示未執(zhí)行；顯示“[*]”,表示已執(zhí)行。
- （2）運(yùn)行代碼塊：快捷鍵Shift+Enter其他操作請(qǐng)自己摸索，慢慢就熟悉了

??（2）補(bǔ)充：Markdown的入門

??參考的視頻鏈接：也許是B站最好的 Markdown 科普教程。

1.定義：一種輕量級(jí)的標(biāo)記語言。
2.Markdown編輯器：將Markdown文檔渲染為HTML的格式，以供在Web瀏覽器中瀏覽閱讀。
3.優(yōu)點(diǎn)：沉浸、統(tǒng)一、可遷移
4.語法：
- （1）標(biāo)題
- 一級(jí)標(biāo)題：“# 一、**”
- 二級(jí)標(biāo)題：“## 1.1**”
- 依次類推，一般支持6級(jí)標(biāo)題
- （2）無序列表
- 格式：“- 無序列表”。效果：“? 無序列表”
- （3）有序列表
- 格式：“1. 有序列表”，回車可以讓數(shù)字有序增加，Tab鍵可以可以縮進(jìn)列表，Shitf+Tab鍵取消列表縮進(jìn)。
- （4）斜體
- 格式：“*斜體*”
- （5）加粗
- 格式：“**加粗**”
- （6）刪除
- 格式：“~~刪除~~”
- （7）高亮
- 格式：“==高亮==”
- 部分不支持的地方可使用html格式：“<mark>torch</mark>”
- （8）分割線
- 用法：“---”，再回車
- （9）超鏈接
- 格式：“[百度](https://www.baidu.com/)”，方框內(nèi)是標(biāo)題，括號(hào)內(nèi)是鏈接。其他語法請(qǐng)參考Markdown的官方文檔，鏈接：https://markdown.com.cn/

??Markdown的官方文檔的超鏈接：Markdown的官方文檔

??（3）數(shù)據(jù)操作

??請(qǐng)觀看b站視頻的同時(shí)，直接閱讀教材的對(duì)應(yīng)章節(jié)，鏈接：2.1. 數(shù)據(jù)操作
??對(duì)應(yīng)的jupyter文件的相對(duì)路徑：“\d2l-zh\pytorch\chapter_preliminaries\index.ipynb”。

# 注：為了理解其中的代碼，加了點(diǎn)注釋
import torch  # 導(dǎo)入torch包
# 這行代碼導(dǎo)入了PyTorch庫，它是一個(gè)用于深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的開源深度學(xué)習(xí)庫。
# PyTorch提供了各種工具和功能，使得構(gòu)建、訓(xùn)練和部署神經(jīng)網(wǎng)絡(luò)變得更加容易。
# 通過導(dǎo)入torch，你可以在Python代碼中使用PyTorch的各種模塊和函數(shù)，包括張量操作、神經(jīng)網(wǎng)絡(luò)層、優(yōu)化器、損失函數(shù)等。
# 這使得你能夠進(jìn)行深度學(xué)習(xí)任務(wù)，如圖像分類、自然語言處理、回歸分析等。x=torch.arange(12) # torch.arange()是PyTorch中用于創(chuàng)建一個(gè)等差數(shù)列的函數(shù)，默認(rèn)步長(zhǎng)為1。
xx.shape  # 通過張量的shape屬性來訪問張量的形狀和張量中元素的總數(shù)
x.numel()  # 用于獲取張量中元素的總數(shù)X=x.reshape(3,4)  # 要求12=3*4，三行四列
Xtorch.zeros((2,3,4))   # 全0張量
torch.ones((2,3,4))   # 全1張量
torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])  # tensor：張量x=torch.tensor([1.0,2,4,8])
y=torch.tensor([2,2,2,2])
x+y,x-y,x*y,x/y,x**y   # **運(yùn)算符是求冪運(yùn)算torch.exp(x)# 多個(gè)張量連結(jié)
# -創(chuàng)建了兩個(gè)張量 X 和 Y，然后使用 torch.cat() 函數(shù)進(jìn)行了張量的拼接操作
# -dim=0：行   dim=1：列
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)X == Y   # 通過邏輯運(yùn)算符構(gòu)建二元張量X.sum()  # 元素求和# 廣播機(jī)制：形狀不一樣時(shí)，按行復(fù)制或按列復(fù)制整個(gè)向量，使兩個(gè)形狀一樣，再求和
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b
a + b# 元素的訪問
# [-1]選擇最后一個(gè)元素，可以用[1:3]選擇第二個(gè)和第三個(gè)元素
X[-1], X[1:3]  # 此處結(jié)合語境為：[-1]選擇最后一行元素，可以用[1:3]選擇第二行和第三行元素# 通過索引改變矩陣的元素
X[1, 2] = 9
X# 為多個(gè)元素賦值
X[0:2, :] = 12
X# 為新結(jié)果分配內(nèi)存，注意與C語言區(qū)別
before = id(Y)  # id:標(biāo)識(shí)號(hào)
Y = Y + X
id(Y) == before# 執(zhí)行原地操作   Z的id不變
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y # Z[:] 表示將 Z 的所有元素替換為運(yùn)算結(jié)果
print('id(Z):', id(Z))# 如果在后續(xù)計(jì)算中沒有重復(fù)使用X， 我們也可以使用X[:] = X + Y或X += Y來減少操作的內(nèi)存開銷。
before = id(X)
X += Y
id(X) == before# 轉(zhuǎn)換為NumPy張量
A = X.numpy()
B = torch.tensor(A)
type(A), type(B)# 將大小為1的張量轉(zhuǎn)換為Python標(biāo)量
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)  

??3.數(shù)據(jù)預(yù)處理

??請(qǐng)觀看b站視頻的同時(shí)，直接閱讀教材的對(duì)應(yīng)章節(jié)，鏈接：2.2. 數(shù)據(jù)操作

??注：CSV是"Comma-Separated Values"（逗號(hào)分隔值）的縮寫，是一種常見的文本文件格式，用于存儲(chǔ)和交換表格數(shù)據(jù)。CSV文件由純文本組成，數(shù)據(jù)以行為單位，每行中的數(shù)據(jù)字段之間用逗號(hào)（,）或其他分隔符（如分號(hào)、制表符等）進(jìn)行分隔。

# os模塊提供了一種與操作系統(tǒng)功能進(jìn)行交互的方式，包括與文件系統(tǒng)的交互、管理目錄和運(yùn)行系統(tǒng)命令等。
import osos.makedirs(os.path.join('..', 'data'), exist_ok=True)
# os.makedirs: 這是os模塊中的一個(gè)函數(shù)，用于遞歸地創(chuàng)建目錄。如果目錄已經(jīng)存在，它不會(huì)引發(fā)錯(cuò)誤。
# os.path.join('..', 'data'): 這一部分使用os.path.join函數(shù)來創(chuàng)建一個(gè)路徑字符串。在這里，它將兩個(gè)字符串連接起來，形成一個(gè)相對(duì)路徑，其中'..'表示上一級(jí)目錄，'data'表示一個(gè)名為"data"的子目錄
# exist_ok=True: 這是一個(gè)參數(shù)，如果設(shè)置為True，則表示如果目錄已經(jīng)存在，不會(huì)引發(fā)錯(cuò)誤。如果目錄不存在，它將創(chuàng)建目錄。
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')  # 每行表示一個(gè)數(shù)據(jù)樣本# NA：表示未知數(shù)f.write('2,NA,106000\n')f.write('4,NA,178100\n')f.write('NA,NA,140000\n')

# 如果沒有安裝pandas，只需取消對(duì)以下行的注釋來安裝pandas
# !pip install pandas
import pandas as pd
# pandas是一個(gè)強(qiáng)大的數(shù)據(jù)處理和分析庫，特別適用于處理結(jié)構(gòu)化數(shù)據(jù)，如表格數(shù)據(jù)。它提供了各種數(shù)據(jù)結(jié)構(gòu)和函數(shù)，使數(shù)據(jù)的讀取、轉(zhuǎn)換、篩選、統(tǒng)計(jì)分析等操作變得非常簡(jiǎn)便。
# 常見的pandas數(shù)據(jù)結(jié)構(gòu)包括DataFrame和Series，它們?cè)试S你以表格形式組織和操作數(shù)據(jù)。data = pd.read_csv(data_file)
# 使用pd.read_csv(data_file)讀取了一個(gè)CSV文件的內(nèi)容，并將其存儲(chǔ)在一個(gè)pandas的數(shù)據(jù)結(jié)構(gòu)中，通常是一個(gè)DataFrame。這里的data_file是CSV文件的文件路徑，你需要將其替換為實(shí)際的文件路徑。
print(data)

# 通過位置索引iloc，我們將data分成inputs和outputs， 其中前者為data的前兩列，而后者為data的最后一列。 對(duì)于inputs中缺少的數(shù)值，我們用同一列的均值替換“NaN”項(xiàng)。
inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]
inputs = inputs.fillna(inputs.mean())
# mean()函數(shù)計(jì)算了該列中非空數(shù)值的平均值
# inputs.fillna(inputs.mean()): 這部分使用fillna()方法，將inputs中的缺失值（NaN，Not-a-Number）用對(duì)應(yīng)列的平均值填充
print(inputs)

inputs = pd.get_dummies(inputs, dummy_na=True)
"""
這行代碼使用了pandas庫中的get_dummies()函數(shù)來進(jìn)行獨(dú)熱編碼（One-Hot Encoding）處理。讓我解釋一下這段代碼的作用：
- pd.get_dummies(inputs, dummy_na=True): 這部分代碼對(duì)inputs進(jìn)行了獨(dú)熱編碼的處理。獨(dú)熱編碼是一種用于處理分類變量的方法，它將原始的分類變量轉(zhuǎn)換為二進(jìn)制的形式，以便在機(jī)器學(xué)習(xí)模型中使用。
- inputs: 這是要進(jìn)行獨(dú)熱編碼的數(shù)據(jù)，通常是一個(gè)pandas的數(shù)據(jù)框（DataFrame）。
- dummy_na=True: 這個(gè)參數(shù)是可選的，如果設(shè)置為True，則會(huì)為原始數(shù)據(jù)中的缺失值（NaN）創(chuàng)建一個(gè)額外的列進(jìn)行編碼。
- 獨(dú)熱編碼將原始的分類變量拆分成多個(gè)二進(jìn)制變量，每個(gè)變量代表一個(gè)可能的分類值。這有助于避免模型將分類變量解釋為連續(xù)變量，并確保模型能夠正確理解和使用這些分類信息。
- 舉例來說，如果原始數(shù)據(jù)包含一個(gè)"顏色"列，其中包括"紅色"、"綠色"和"藍(lán)色"這三個(gè)分類值，獨(dú)熱編碼后會(huì)創(chuàng)建三個(gè)新的列，分別代表這三種顏色，每列的取值只有0和1，1表示對(duì)應(yīng)的顏色。同時(shí)，如果設(shè)置了dummy_na=True，還會(huì)創(chuàng)建一個(gè)額外的列表示缺失值。
"""
print(inputs)

# 轉(zhuǎn)換為張量格式
import torchX = torch.tensor(inputs.to_numpy(dtype=float))
y = torch.tensor(outputs.to_numpy(dtype=float))
X, y

??4.數(shù)據(jù)操作QA

五、線性代數(shù)

??1.線性代數(shù)

??請(qǐng)觀看b站視頻的同時(shí)，直接閱讀教材的對(duì)應(yīng)章節(jié)，鏈接：2.3.線性代數(shù)

??（1）標(biāo)量

??（2）向量

??其中$\alpha$為標(biāo)量。上面的公式中$||a?b||=|a|?||b||$的$a$為標(biāo)量，其他地方的$a$為向量。

??（3）矩陣

??行和列相乘。


??$i$行和$j$列相乘作為結(jié)果矩陣的$i$行$j$列的一個(gè)元素。

??（4）特殊矩陣

??其中“$j=\pi (i)$”表示$j$是$i$的置換。

??對(duì)于特征向量，矩陣并不會(huì)改變它的方向，如上圖的綠色的向量就是一個(gè)特征向量。

??2.線性代數(shù)的實(shí)現(xiàn)

import torchx = torch.tensor(3.0)
y = torch.tensor(2.0)x + y, x * y, x / y, x**y

x = torch.arange(4)
x

x[3]

len(x)

x.shape

A = torch.arange(20).reshape(5, 4)
A

A.T

B = torch.tensor([[1, 2, 3], [2, 0, 4], [3, 4, 5]])
B

B == B.T

X = torch.arange(24).reshape(2, 3, 4)
X

A = torch.arange(20, dtype=torch.float32).reshape(5, 4)
B = A.clone()  # 通過分配新內(nèi)存，將A的一個(gè)副本分配給B
A, A + B

A * B

a = 2
X = torch.arange(24).reshape(2, 3, 4)
a + X, (a * X).shape

x = torch.arange(4, dtype=torch.float32)
x, x.sum()

A.shape, A.sum()

A_sum_axis0 = A.sum(axis=0)
A_sum_axis0, A_sum_axis0.shape

A_sum_axis1 = A.sum(axis=1)
A_sum_axis1, A_sum_axis1.shape

A.sum(axis=[0, 1])  # 結(jié)果和A.sum()相同

A.mean(), A.sum() / A.numel()

A.mean(axis=0), A.sum(axis=0) / A.shape[0]

??注：廣播機(jī)制要求維度個(gè)數(shù)一樣。

sum_A = A.sum(axis=1, keepdims=True)
sum_A

A / sum_A

A.cumsum(axis=0)

y = torch.ones(4, dtype = torch.float32)
x, y, torch.dot(x, y)   # torch.dot：點(diǎn)積

torch.sum(x * y)

A.shape, x.shape, torch.mv(A, x)

B = torch.ones(4, 3)
torch.mm(A, B)

u = torch.tensor([3.0, -4.0])
torch.norm(u)

torch.abs(u).sum()

torch.norm(torch.ones((4, 9)))

??3.按特定軸求和

??4.線性代數(shù)QA

??詳細(xì)內(nèi)容請(qǐng)觀看視頻：05 線性代數(shù)-P4 線性代數(shù)QA