深度学习——基础知识

  深度学习的重点在于优化，其中很重要的步骤在于如何调参，会涉及到一些微积分等数学知识。不同于以往接触到的数值运算，深度（机器）学习都是关于张量Tensor（向量）的计算，Python中最常用的包就是Numpy，其次张量类支持调用包可自动微分。

一、基础操作运算

1.1 导入torch

  先导入torch，虽然是pytorch版本的深度学习，但是代码中使用torch，而不是pytorch.

1.2 arange创建行向量

1.3 通过张量的shape属性来访问张量的形状或维度

1.4 张量的大小

  张量中元素的总数，即shape属性中所有元素的乘积。

一维向量的shape和size是相同的数值

1.5 改变张量的形状reshape

  要想改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数。

在reshape时，不需要特别指定每个维度的参数，在知道元素总数的前提下，知道宽度（高度）后，高度（宽度）会被自动计算得出，不需要自己手动计算，可以通过-1来调用此自动计算出形状。

1.6 初始化矩阵

1.6.1 将张量中所有元素设置为0

1.6.2 将张量中所有元素设置为1

1.6.3 标准高斯分布：均值为0，标准差为1，随机初始化参数的值

1.6.4 自定义张量

  可以通过包含数值的python列表（嵌套列表）来为所需张量中的每个元素赋予确定值。

二、张量运算符

2.1 按元素计算

2.2 张量连接

dim=0对行进行拼接;dim=1对列进行拼接。

2.3 逻辑运算符

2.3 求和

三、广播机制

  形状相同的张量按元素操作，在某些情况下，即使形状不同，可以通过调用广播机制来执行按元素操作。
  广播机制在大多数情况下，沿着数组中长度为1的轴进行广播。

  a和b分别是31和12的矩阵，如果让它们相加，它们的形状不匹配，我们将两个矩阵广播为一个更大的3*2矩阵，矩阵a将复制列，矩阵b将复制行，然后按元素相加。
$$a+b=\left[\begin{array}{cc}0& 0\\ 1& 1\\ 2& 2\end{array}\right]+\left[\begin{array}{cc}0& 1\\ 0& 1\\ 0& 1\end{array}\right]=\left[\begin{array}{cc}0& 1\\ 1& 2\\ 2& 3\end{array}\right]$$

四、转换为其他Python对象

  torch张量和numpy数组可以互相转化.

  要将大小为1的张量转换为python标量，可以用item函数或者python的内置函数。