PyTorch版深度学习

mkdir d2l-zh && cd d2l-zh
curl https://zh-v2.d2l.ai/d2l-zh-2.0.0.zip -o d2l-zh.zip
unzip d2l-zh.zip && rm d2l-zh.zip //windows内手动解压
cd pytorch
jupyter notebook

1
2
3
4
5

import torch
x = torch.arange(12)#创建行向量
print(x) 
print(x.shape) #shape访问张量（沿每个轴的长度）的形状
print(x.numel())#元素总数
X = x.reshape(3, 4)#改变张量形状
print(X)
print(torch.zeros((2, 3, 4)))#创建特定形状，所有元素为0的张量
print(torch.ones((2, 3, 4)))#创建特定形状，所有元素为1的张量
print(torch.randn(3, 4))#创建特定形状，所有元素高斯分布随机采样的张量
print(torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]))

1
2
3
4
5
6
7
8
9
10
11

import torch
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
print (x + y)  
print (x - y)  
print (x * y) 
print (x / y)  
print (x ** y)  # **运算符是求幂运算

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]])
print(X)
print(Y)
print(torch.cat((X, Y), dim=0))
print(torch.cat((X, Y), dim=1))
print(X==Y)#逻辑运算符来构建二元张量
Z= torch.tensor([1,2,3,4])
print(Z.sum())#所有元素求和，得到一个单元素张量

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

踏歌行

Choose mode

PyTorch版深度学习

PyTorch版深度学习

# 准备工作

# Anaconda 版本管理

# 学习pytorch版深度学习环境

# 安装 D2L Notebook

# 第一章引言

# 1.2 机器学习中的关键组件

# 1.3 各种机器学习问题

# 1.3.1 监督学习

# 1.3.2 无监督学习

# 1.3.1 与环境互动

# 1.3.1 强化学习

# 1.7 特点

# 第二章预备知识

# 2.1 数据操作

# 数据操作

# 运算符

# 2.2 数据预处理

# 2.3 线性代数

# 2.4 微积分

# 2.5 自动微分

# 2.6 概率

# 第三章线性神经网络

# 3.1 线性回归

# 3.2 线性回归的从零开始实现

# 3.3 线性回归的简洁实现

# 3.4 softmax回归

# 3.5 图像分类数据集

# 3.6 softmax回归的从零开始实现

# 3.7 softmax回归的简洁实现

踏歌行

PyTorch版深度学习

PyTorch版深度学习

# 准备工作

# Anaconda 版本管理

# 学习pytorch版深度学习环境

# 安装 D2L Notebook

# 第一章 引言

# 1.2 机器学习中的关键组件

# 1.3 各种机器学习问题

# 1.3.1 监督学习

# 1.3.2 无监督学习

# 1.3.1 与环境互动

# 1.3.1 强化学习

# 1.7 特点

# 第二章 预备知识

# 2.1 数据操作

# 数据操作

# 运算符

# 2.2 数据预处理

# 2.3 线性代数

# 2.4 微积分

# 2.5 自动微分

# 2.6 概率

# 第三章 线性神经网络

# 3.1 线性回归

# 3.2 线性回归的从零开始实现

# 3.3 线性回归的简洁实现

# 3.4 softmax回归

# 3.5 图像分类数据集

# 3.6 softmax回归的从零开始实现

# 3.7 softmax回归的简洁实现

# 第一章引言

# 第二章预备知识

# 第三章线性神经网络