## PyTorch ## 统计属性 主讲人：龙良曲 ## statistics - norm mean sum • prod max, min, argmin, argmax kthvalue, topk v.s. normalize ,e.g. batch norm ■ matrix norm v.s. vector norm ## V ector vs matrix Matrix

算法的相关背景知识，体会到知识是为了解决问题而生的，避免陷入为了学习而学习的窘境。 尽管作者试图将读者的基础要求降到最低，但是人工智能不可避免地需要使用正式化的数学符号推导，其中涉及到少量的概率与统计、线性代数、微积分等数学知识，一般要求读者对这些数学知识有初步印象或了解即可。比起理论基础，读者需要有少量的编程经验，特别是 Python 语言编程经验，显得更加重要，因为本书更侧重于实用性，而不是 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 与传统的机器学习算法、浅层神经网络相比，现代的深度学习算法通常具有如下显著特点。 #### 1.3.1 数据量 早期的机器学习算法比较简单，容易快速训练，需要的数据集规模也比较小，如 1936 年由英国统计学家 Ronald Fisher 收集整理的鸢尾花卉数据集 Iris 共包含 3 个类别花卉，每个类别 50 个样本。随着计算机技术的发展，设计的算法越来越复杂，对数据量的需求也随之增大。1998 年由

47 2.2.1 读取数据集 48 2.2.2 处理缺失值 48 2.2.3 转换为张量格式 49 2.3 线性代数 50 2.3.1 标量 50 2.3.2 向量 51 2.3.3 矩阵 52 2.3.4 张量 54 2.3.5 张量算法的基本性质 54 2.3.6 降维 56 2.3.7 点积（Dot Product） 4.2 带参数的层 ..... 207 5.5 读写文件 ..... 208 5.5.1 加载和保存张量 ..... 208 5.5.2 加载和保存模型参数 ..... 209 5.6 GPU ..... 211 5.6.1 计算设备 ..... 212 5.6.2 张量与GPU ..... 213 5.6.3 神经网络与GPU ..... 215 卷积神经网络 .. 过渡层 ..... 285 7.7.4 DenseNet模型 ..... 286 7.7.5 训练模型 ..... 287 循环神经网络 8.1 序列模型 ..... 290 8.1.1 统计工具 ..... 290 8.1.2 训练 ..... 293 8.1.3 预测 ..... 295 8.2 文本预处理 ..... 298 8.2.1 读取数据集 ..... 299

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| |---|---|---|