文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
1.环境搭建
1.1 安装Miniconda
windows安装miniconda比较简单不再赘述。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
https://docs.conda.io/en/latest/miniconda.html下载win版安装即可。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
1.2 创建环境
打开cmd命令行执行如下命令：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
conda create --name d2l python=3.9 -y激活 d2l 环境：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
conda activate d2l安装pytorch，之前在公众号有发过深度学习环境的搭建教程，这里直接根据自己的cuda版本执行命令即可文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu1131.3 安装jupyter notebook
jupyter 算是python学习很不错的一款工具，这里不再赘述文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
在启动jupyter notebook时，有报错信息，如下：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
ModuleNotFoundError: No module named jupyter_nbextensions_configurator文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
解决报错：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
python -m pip install --user jupyter_contrib_nbextensionspython -m pip install --user jupyter_nbextensions_configurator
2.数据操作
首先我们介绍n维数组，也称为张量(tensor).在pytorch中的张量与Numpy的ndarray类似。但深度学习的框架比Numpy中的ndarray多一些重要的功能：首先GPU很好地支持加速计算，其次，张量类支持自动微分。这些功能使得张量类更适合深度学习。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
2.1.1 入门
首先，我们导入torch文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
import torch张量表示一个由数值组成的数组，这个数组可能有多个维度。具有一个轴的张量对应数学上的向量（vector）；具有两个轴的张量对应数学上的矩阵（matrix）;具有两个轴以上的张量没有特殊的数学名称。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
首先，我们使用arange创建一个行向量x。这个行向量包含以0开始的前12个整数，它们默认创建为整数。也可以指定创建类型为浮点数。张量中的每个值都称为张量的元素（element）。除非额外指定，新的张量将存储在内存中，并采用CPU计算。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
x = torch.arange(12)
xtensor([0,1,2,3,4,5,6,7,8,9,10,11])文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
可以通过张量的shape属性类访问张量的形状。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
张量的形状指的是每个（Dimension）轴由多少个元素组成的信息。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
x.shapetorch.Size([12])文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
#张量中元素的总数
x.numel()12#要想改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数。例如，可以把张量x从形状为（12,）的行向量转换为形状为（3,4）的矩阵。
#注意，通过改变张量的形状，张量的大小不会改变。
X = x.reshape(3,4)
Xtensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
#生成全0的张量
torch.zeros((2,3,4)) tensor([[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]], [[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]])
#生成全1的张量
torch.ones((2,3,4))tensor([[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]])
#生成随机值，且每个元素都从均值为0、标准差为1的标准高斯分布（正态分布）中随机采样。
torch.randn((2,3))tensor([[-0.7534, -0.4173, 0.8888], [-1.5095, -0.6197, -0.4746]])
# 通过python列表为张量赋值 ，在这里，最外层的列表对应于轴0，内层的列表对应于轴1。
torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
2.1.2 运算符
对于任意具有相同形状的张量， 常见的标准算术运算符（+、-、*、/和**）都可以被升级为按元素运算。我们可以在同一形状的任意两个张量上调用按元素操作。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
#运算符
x = torch.tensor([1.0,2,4,8])
y = torch.tensor([2,2,2,2])
x + y,x - y,x * y,x / y,x ** y(tensor([ 3., 4., 6., 10.]), tensor([-1., 0., 2., 6.]), tensor([ 2., 4., 8., 16.]), tensor([0.5000, 1.0000, 2.0000, 4.0000]), tensor([ 1., 4., 16., 64.]))
#求幂运算
torch.exp(x)tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])#多个张量连结（concatenate）
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]])
torch.cat((X,Y),dim=0),torch.cat((X,Y),dim=1) #按行连结，按列连结(tensor([[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.], [ 2., 1., 4., 3.], [ 1., 2., 3., 4.], [ 4., 3., 2., 1.]]), tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.], [ 4., 5., 6., 7., 1., 2., 3., 4.], [ 8., 9., 10., 11., 4., 3., 2., 1.]]))
#通过逻辑运算符构建二元张量
X == Ytensor([[False, True, False, True], [False, False, False, False], [False, False, False, False]])
#对张量中的所有元素求和会产生一个单元素张量
X.sum()tensor(66.)2.1.3 广播机制
#在某些情况下，即使张量形状不同，我们也可以通过调用广播机制来执行按元素操作
#这种机制的工作方式如下：
#通过适当复制元素来扩展一个或两个数组，以便在转换之后，两个张量具有相同的形状；
#对生成的数组执行按元素操作。
#在大多数情况下，我们将沿着数组中长度为1的轴进行广播，如下例子：
a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape((1,2))
a,b,torch.arange(2)(tensor([[0], [1], [2]]), tensor([[0, 1]]), tensor([0, 1]))
#由于a和b分别是矩阵，如果让它们相加，它们的形状不匹配。我们将两个矩阵广播为一个更大的矩阵，
#如下所示：矩阵a将复制列， 矩阵b将复制行，然后再按元素相加。
a + btensor([[0, 1], [1, 2], [2, 3]])
2.1.4 索引和切片
就像在任何其他Python数组中一样，张量中的元素可以通过索引访问。与任何Python数组一样：第一个元素的索引是0，最后一个元素索引是-1；可以指定范围以包含第一个元素和最后一个之前的元素。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
如下所示，我们可以用[-1]选择最后一个元素，可以用[1:3]选择第二个和第三个元素：文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
X[-1],X[1:3](tensor([ 8., 9., 10., 11.]), tensor([[ 4., 5., 6., 7.], [ 8., 9., 10., 11.]]))
#指定元素写入矩阵
X[1,2] = 9
Xtensor([[ 0., 1., 2., 3.], [ 4., 5., 9., 7.], [ 8., 9., 10., 11.]])
#多个元素赋相同值 [0:2, :]访问第1行和第2行，其中“:”代表沿轴1（列）的所有元素
X[0:2,:] = 12
Xtensor([[12., 12., 12., 12.], [12., 12., 12., 12.], [ 8., 9., 10., 11.]])
2.1.5 节省内存
运行一些操作可能会导致为新结果分配内存。例如，如果我们用Y = X + Y，我们将取消引用Y指向的张量，而是指向新分配的内存处的张量。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html
# id()函数提供了内存中引用对象的确切地址
#运行Y = Y + X后，我们会发现id(Y)指向另一个位置。这是因为Python首先计算Y + X，为结果分配新的内存，然后使Y指向内存中的这个新位置。
before = id(Y)
Y = Y + X
id(Y) == before
before,id(Y)(2760437537488, 2760358641424)#这可能是不可取的，原因有两个：
#首先，我们不想总是不必要地分配内存。在机器学习中，我们可能有数百兆的参数，并且在一秒内多次更新所有参数。
#通常情况下，我们希望原地执行这些更新；如果我们不原地更新，其他引用仍然会指向旧的内存位置，这样我们的某些代码可能会无意中引用旧的参数。
#我们可以使用切片表示法将操作的结果分配给先前分配的数组，例如Y[:] = <expression>
Z = torch.zeros_like(Y)
print("id(Z):",id(Z))
Z[:] = X + Y
print("id(Z):",id(Z))id(Z): 2760442838640
id(Z): 2760442838640#如果在后续计算中没有重复使用X， 我们也可以使用X[:] = X + Y或X += Y来减少操作的内存开销。
before = id(X)
X += Y
id(X) == beforeTrue2.1.6 转换为其他python对象
#将深度学习框架定义的张量转换为NumPy张量（ndarray）很容易，反之也同样容易。
#torch张量和numpy数组将共享它们的底层内存，就地操作更改一个张量也会同时更改另一个张量。
A = X.numpy()
B = torch.tensor(A)
type(A),type(B)(numpy.ndarray, torch.Tensor)#要将大小为1的张量转换为Python标量，我们可以调用item函数或Python的内置函数。
a = torch.tensor([3.5])
a,a.item(),float(a),int(a)(tensor([3.5000]), 3.5, 3.5, 3)#深度学习存储和操作数据的主要接口是张量（维数组）。它提供了各种功能，包括基本数学运算、广播、索引、切片、内存节省和转换其他Python对象。文章源自菜鸟学院-https://www.cainiaoxueyuan.com/ai/53179.html