## PyTorch ## 基本运算 主讲人：龙良曲 ## Math operation Add/minus/multiply/divide Matmul - Pow - Sqrt/rsqrt Round ## basic ## matmul • Torch.mm • only for 2d - Torch.matmul @ 1 In [17]: a 2 tensor([[3

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 目前普通消费者能够使用的深度学习加速硬件设备主要来自 NVIDIA 的 GPU 显卡，图 1.12 例举了从 2008 年到 2017 年 NVIDIA GPU 和 x86 CPU 的每秒 10 亿次的浮点运算数 (GFLOPS) 的指标变换曲线。可以看到，x86 CPU 的曲线变化相对缓慢，而 NVIDIA GPU 的浮点计算能力指数式增长，这主要是由日益增长的游戏计算量和深度学习计算量等业务驱动的。 主流框架 ☐ Theano 是最早的深度学习框架之一，由 Yoshua Bengio 和 Ian Goodfellow 等人开发， 是一个基于 Python 语言、定位底层运算的计算库，Theano 同时支持 GPU 和 CPU 运算。由于 Theano 开发效率较低，模型编译时间较长，同时开发人员转投 TensorFlow 等原因，Theano 目前已经停止维护。 ☐ Scikit-learn 是

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

1.1 入门 40 2.1.2 运算符 42 2.1.3 广播机制 44 2.1.4 索引和切片 45 2.1.5 节省内存 46 2.1.6 转换为其他Python对象 47 2.2 数据预处理 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 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） 58 2.3.8 矩阵-向量积 ..... 59 2.3.9 矩阵-矩阵乘法 ..... 59 2.3.10 范数 ..... 60 .... 105 3.4.1 分类问题 ..... 106 3.4.2 网络架构 ..... 106 3.4.3 全连接层的参数开销 ..... 107 3.4.4 softmax 运算 ..... 107 3.4.5 小批量样本的矢量化 ..... 108 3.4.6 损失函数 ..... 108 3.4.7 信息论基础 ..... 109 3.4.8 模型预测和评估

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

cd keras sudo python setup.py install ### 1.5 使用 TensorFlow 以外的后端 默认情况下，Keras 将使用 TensorFlow 作为其张量操作库。请跟随这些指引来配置其他 Keras 后端。 ### 1.6 技术支持 你可以提出问题并参与开发讨论： • Keras Google group. • Keras Slack cha size=(20, 1)), num_classes=10) model = Sequential() # 输入: 3 通道 100x100 像素图像 -> (100, 100, 3) 张量。 # 使用 32 个大小为 3x3 的卷积滤波器。 model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(100 网络层的实例是可调用的，它以张量为参数，并且返回一个张量 · 输入和输出均为张量，它们都可以用来定义一个模型（Model） · 这样的模型同 Keras 的 Sequential 模型一样，都可以被训练 from keras.layers import Input, Dense from keras.models import Model # 这部分返回一个张量 inputs = Input(shape=(784