1.3 Pytorch 基础术语与概念.....4 1.4 Pytorch 基础操作.....5 1.4.1 PyCharm 的安装与配置.....5 1.4.2 张量定义与声明.....6 1.4.3 张量操作.....7 1.5 线性回归预测.....9 1.5.1 线性回归过程.....9 1.5.2 线性回归代码演示.....9 1.6 小结.....11 ## 中编程模式主要是基于计算图、张量数据、自动微分、优化器等组件构成。面向对象编程运行的结果是交互式可视化的，而深度学习通过训练模型生成模型文件，然后再使用模型预测，本质数据流图的方式工作。所以学习深度学习首先必须厘清深度学习编程中计算图、张量数据、自动微分、优化器这些基本术语概念，下面分别解释如下： ## 张量 张量是深度学习编程框架中需要理解最重要的一个概念，张量的本质是数据，在深度学习框架中 一切的数据都可以看成张量。深度学习中的计算图是以张量数据为输入，通过算子运算，实现对整个计算图参数的评估优化。但是到底什么是张量？可以看下面这张图：  标量 ![Image](/uploads/documents/2/e/e/6/2e

回报回 扫描二维码 试看/购买《TensorFlow 快速入门与实战》视频课程 ## 第三部分 目录 • TensorFlow 模块与架构介绍 • TensorFlow 数据流图介绍 • 张量（Tensor）是什么 • 变量（Variable）是什么 • 操作（Operation）是什么 • 会话（Session）是什么 • 优化器（Optimizer）是什么 ## TensorFlow n): $$ $$ a, b = b, a + b $$ $$ \text{return } a $$ ## TensorFlow 数据流图 有向边 数据流图 节点 张量 稀疏张量 计算节点 存储节点 Tensor SparseTensor 数据节点 Operation Variable Placeholder  张量（Tensor）是什么 ## TensorFlow 张量 在数学里，张量是一种几何实体，广义上表示任意形式的“数据”。张量可以理解为0阶（rank）标量、1阶向量和2阶矩阵在高维空间上的推广，张量的阶描述它表示数据的最大维度。 |阶|数据实体|Python 样例| |---|---|---|

4.3 待优化张量 4.4 创建张量 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 4.11 参考文献 第5章 PyTorch进阶 5.1 合并与分割 5.2 数据统计 5.3 张量比较 5.4 填充与复制 叫做符号式编程。 作为对比，现在介绍动态图方式来完成 $ 2.0 + 4.0 $ 运算。PyTorch 实现代码如下： import torch # 导入 pytorch 库 # 1. 创建输入张量，并赋初始值 a = torch.tensor(2.) b = torch.tensor(4.) # 2. 直接计算，并打印结果 print('a+b=', a+b) 可以看到，计 自动求导。上式的自动求导代码实现如下： import torch # 导入梯度计算函数 from torch import autograd # 创建 4 个张量 a = torch.tensor(1.) b = torch.tensor(2.) c = torch.tensor(3.) # 需要求导的张量，要设置 requires_grad w = torch.tensor(4., requires_grad=True) # 构建计算过程

Tensors张量 02 Autograd自动求导 03 神经网络 04 训练一个分类器 ### 1. Tensors张量 ## 01 Tensors张量 02 Autograd自动求导 03 神经网络 04 训练一个分类器 ### 1. Tensors张量的概念 Tensor实际上就是一个多维数组（multidimensional array）标量（0阶张量） 向量（1阶张量） 向量（1阶张量） 1.2 矩阵（2阶张量）  张量（大于等于3阶张量）  ### ### 1. Tensors张量的概念 ## • 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.*_like