创建Tensor 主讲人：龙良曲 Import from numpy Import from List uninitialized ▪ Torch.empty() ▪ Torch.FloatTensor(d1, d2, d3) ▪ NOT torch.FloatTensor([1, 2]) = torch.tensor([1, 2]) ▪ Torch.IntTensr(d1, d2

3.8 手写数字图片识别体验 3.9 小结 3.10 参考文献 第 4 章 PyTorch 基础 4.1 数据类型 4.2 数值精度 4.3 待优化张量 4.4 创建张量 预览版202112 4.5 张量的典型应用 4.6 索引与切片 4.7 维度变换 4.8 Broadcasting 4.9 数学运算 4.10 前向传播实战 静态图，以 TensorFlow 1.x 为例，首先创建计算图，代码如下(以下代码需要提前安装 TensorFlow 1.x 框架和 PyTorch 框架，读者可不运行，感受为主)： import tensorflow as tf # 导入 TensorFlow 库 # 1.创建计算图阶段，此处代码需要使用 tf 1.x 版本运行 # 创建 2 个输入端子，并指定类型和名字 a_ph = name='variable_a') b_ph = tf.placeholder(tf.float32, name='variable_b') # 创建输出端子的运算操作，并命名 c_op = tf.add(a_ph, b_ph, name='variable_c') 创建计算图的过程就类比通过符号建立公式? = ? + ?的过程，仅仅是记录了公式的计算步 骤，并没有实际计算公式的数值结果，需要通过运行公式的输出端子

时间间隔 由起始时间戳和 结束时间戳表示 8 创建时间序列 Pandas中，时间戳使用Timestamp（Series派生的子 类）对象表示。 该对象与datetime具有高度的兼容性，可以直接通过 to_datetime()函数将datetime转换为TimeStamp对象。 pd.to_datetime('20180828') 9 创建时间序列 如果传入的是多个datetime组成的列表，则Pandas会 , freq=None) 10 创建时间序列 在Pandas中，最基本的时间序列类型就是以 时间戳为索引的Series对象。 date_ser = pd.Series([11, 22, 33], index=date_index) 2018-08-20 11 2018-08-28 22 2018-09-08 33 11 创建时间序列 还可以将包含多个datetime对象的列表传给 index参数，同样能创建具有时间戳索引的 Series对象。 date_list = [datetime(2018, 1, 1), datetime(2018, 1, 15] time_se = pd.Series(np.arange(6), index=date_list) 12 创建时间序列 如果希望DataFrame对象具有时间戳索引， 也可以采用上述方式进行创建。 data_demo

NumPy数组(ndarry)对象 03 ufunc函数 04 NumPy的函数库 4 NumPy(Numeric Python)是Python的一种开源的数值计算扩展库。 它包含很多功能： · 创建n维数组（矩阵） · 对数组进行函数运算 · 数值积分 · 线性代数运算 · 傅里叶变换 · 随机数产生 ······ NumPy是什么？ 5 NumPy提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处 NumPy的函数库 9 1.1 认识 NumPy 数组对象 >import numpy as np # 导入NumPy工具包 >data = np.arange(12).reshape(3, 4) # 创建一个3行4列的数组 >data array([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]]) ndarray对维数没有限制。 [ ]从内到外分别为第0轴，第1轴，第2轴，第3轴。 dtype('int32') 12 1.2 创建 NumPy 数组 >import numpy as np >data1 = np.array([1, 2, 3]) # 创建一个一维数组 >data1 array([[1, 2, 3], [4, 5, 6]]) array([1, 2, 3]) data2 = np.array([[1, 2, 3], [4, 5, 6]]) # 创建一个二维数组 data2

开发实战系列教程 第一篇 6 点击【New Project】，输入项目名称，显示如下： 图 1-6（创建新项目） 点击【Create】按钮完成项目创建，选择文件 (File)-> 设置 (Setting) 选项： 图 1-7（设置选项） 图 1-8（设置系统 Python 解释器） 完成之后，在项目中创建一个空的 python 文件命名为 main. py，然后直接输入下面两行测试代码： import __version__) 执行测试（作者笔记本）： 1.9.0+cu102 这样我们就完成了 PyCharm IDE 开发环境配置与项目创建。 1.4.2 张量定义与声明 张量在 Pytorch 深度学习框架中表示的数据，有几种不同的方 式来创建与声明张量数据，一种是通过常量数值来直接声明为 tensor 数据，代码如下： a = torch.tensor([[2., 3.], [4 tensor([[1., 1., 1., 1.], [1., 1., 1., 1.]]) 上面都是创建常量数组的方式。在实际的开发中，经常需要随 机初始化一些张量变量，创建张量并随机初始化的方式主要通 过 torch.rand 函数实现。用该函数创建张量的代码演示如下： v1 = torch.rand((2, 3)) print("v1 = ", v1) torch

150 11.1.13 LambdaCallback [source] . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 11.2 创建一个回调函数 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152 11.2.1 例: 记录损失历史 、优化器、初始化方法、激活函 数、正则化方法，它们都是可以结合起来构建新模型的模块。 • 易扩展性。新的模块是很容易添加的（作为新的类和函数），现有的模块已经提供了充足 的示例。由于能够轻松地创建可以提高表现力的新模块，Keras 更加适合高级研究。 • 基于 Python 实现。Keras 没有特定格式的单独配置文件。模型定义在 Python 代码中，这 些代码紧凑，易于调试，并且易于扩展。 Sequential 顺序模型指引 3.1.1 开始使用 Keras 顺序 (Sequential) 模型 顺序模型是多个网络层的线性堆叠。 你可以通过将层的列表传递给 Sequential 的构造函数，来创建一个 Sequential 模型： from keras.models import Sequential from keras.layers import Dense, Activation

1.2 预处理数据集 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 705 15.1.3 创建数据迭代器 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 706 15.1.4 整合代码 . 注册 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 747 16.2.2 创建SageMaker实例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 747 16.2.3 运行和停止实例 使用Amazon EC2实例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 750 16.3.1 创建和运行EC2实例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 750 16.3.2 安装CUDA .

矩阵（2阶张量） 张量（大于等于3阶张量） 1.2 5  创建张量的几种方法  用现有数据创建张量，使用 torch.tensor()  如torch.tensor([[1., -1.], [1., -1.]])  要创建具有特定大小的张量，请使用torch.*  如torch.randn() #满足标准正态分布的一组随机数据  创建与另一个张量具有相同大小的张量，请使用 torch torch.*_like  如torch.rand_like()  创建与其他张量具有相似类型但大小不同的张量，请使 用tensor.new_*创建操作。 1.Tensors张量的概念 6  查看张量的属性  查看Tensor类型  tensor1 = torch.randn(2,3) #形状为(2,3)一组从标准正态分布 中随机抽取的数据  tensor1.dtype # Parameter-一种张量,当把它赋值给一个Module时,被自动的注册为参数。 autograd.Function-实现一个自动求导操作的前向和反向定义, 每个张量操作都会 创建至少一个Function节点，该节点连接到创建张量并对其历史进行编码的函数。 33 数据处理工具箱 34 4. 训练一个分类器 01 Tensors张量 02 Autograd自动求导 03 神经网络

-0.78305 训练数据： 假设函数： 使用 TensorFlow 实现房价预测模型 使用 TensorFlow 训练模型的工作流 数据读入 数据分析 数据 规范化 创建模型 (数据流图) 创建会话 (运行环境) 训练模型 数据分析库：Pandas Pandas 是一个 BSD 开源协议许可的，面向 Python 用户的高性能和易于上手的数 据结构化和数据分析工具。 数据处理：NumPy NumPy 是一个 BSD 开源协议许可的，面向 Python 用户的基础科学计算库，在多 维数组上实现了线性代数、傅立叶变换和其他丰富的函数运算。 X y 创建线性回归模型（数据流图） 创建会话（运行环境） 使用 TensorBoard 可视化模型数据流图 TensorBoard 可视化工具 在数据处理过程中，用户通常想要可视化地直观查看数据集分布情况。 在模型 模块的核心部分由一组汇总操作以及 FileWriter、Summary 和 Event 3个类组成。 可视化数据流图 工作流 创建 数据流图 创建 FileWriter 实例 启动 TensorBoard Which one is better？ VS ✅ 名字作用域与抽象节点 创建 FileWriter 实例 启动 TensorBoard 实战 TensorFlow 房价预测 实战 TensorFlow

只有一项，则直接返回频繁k项集的集合作为算法结果，算法结束。 c) 基于频繁k项集，连接生成候选频繁k+1项集。 3） 令k=k+1，转入步骤2。 12 2.Apriori算法 算法案例 第一次迭代：假设支持度阈值为2，创建大小为1的项集并计算它们的支持度。 订单编号 项目 T1 1 3 4 T2 2 3 5 T3 1 2 3 5 T4 2 5 T5 1 3 5 项集 {3} 4 {4} 1 {5} 4 C1 项集 支持度 {1} 3 {2} 3 {3} 4 {5} 4 F1 14 2.Apriori算法 算法案例 第2次迭代：接下来我们将创建大小为2的项集，并计算它们的支持度。F1中设 置的所有项 项集 支持度 {1,2} 1 {1,3} 3 {1,5} 2 {2,3} 2 {2,5} 3 {3,5} 3 F2 项集 支持度 4 T2 2 3 5 T3 1 2 3 5 T4 2 5 T5 1 3 5 18 2.Apriori算法 算法案例 第四次迭代：使用F3的集合，我们将创建C4。 F3 项集 支持度 {1,3,5} 2 {2,3,5} 2 C4 项集 支持度 {1,2,3,5} 1 订单编号 项目 T1 1 3 4 T2 2 3 5