為了不被淘汰，只能趕快學(xué)起來了！chatgpt的大火帶動了很多AI行業(yè)的快速發(fā)展，也導(dǎo)致了失業(yè)潮一波又一波，就業(yè)難等等，和我一樣迷茫的小伙伴一起學(xué)起來吧！

1.環(huán)境搭建

1.1 安裝Miniconda

windows安裝miniconda比較簡單不再贅述。

下載win版安裝即可。

1.2 創(chuàng)建環(huán)境

打開cmd命令行執(zhí)行如下命令：

conda create --name d2l python=3.9 -y

激活 d2l 環(huán)境：

安裝pytorch，之前在公眾號有發(fā)過深度學(xué)習(xí)環(huán)境的搭建教程，這里直接根據(jù)自己的cuda版本執(zhí)行命令即可

pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113

1.3 安裝jupyter notebook

jupyter 算是python學(xué)習(xí)很不錯的一款工具，這里不再贅述

在啟動jupyter notebook時，有報錯信息，如下：

ModuleNotFoundError: No module named  jupyter_nbextensions_configurator

解決報錯：

1. python -m pip install --user jupyter_contrib_nbextensions

2. python -m pip install --user jupyter_nbextensions_configurator

2.數(shù)據(jù)操作

首先我們介紹n維數(shù)組，也稱為張量(tensor).在pytorch中的張量與Numpy的ndarray類似。但深度學(xué)習(xí)的框架比Numpy中的ndarray多一些重要的功能：首先GPU很好地支持加速計算，其次，張量類支持自動微分。這些功能使得張量類更適合深度學(xué)習(xí)。

2.1.1 入門

首先，我們導(dǎo)入torch

張量表示一個由數(shù)值組成的數(shù)組，這個數(shù)組可能有多個維度。具有一個軸的張量對應(yīng)數(shù)學(xué)上的向量（vector）；具有兩個軸的張量對應(yīng)數(shù)學(xué)上的矩陣（matrix）;具有兩個軸以上的張量沒有特殊的數(shù)學(xué)名稱。

首先，我們使用arange創(chuàng)建一個行向量x。這個行向量包含以0開始的前12個整數(shù)，它們默認(rèn)創(chuàng)建為整數(shù)。也可以指定創(chuàng)建類型為浮點數(shù)。張量中的每個值都稱為張量的元素（element）。除非額外指定，新的張量將存儲在內(nèi)存中，并采用CPU計算。

x = torch.arange(12)

x

tensor([0,1,2,3,4,5,6,7,8,9,10,11])

可以通過張量的shape屬性類訪問張量的形狀。

張量的形狀指的是每個（Dimension）軸由多少個元素組成的信息。

torch.Size([12])

#張量中元素的總數(shù)
x.numel()

#要想改變一個張量的形狀而不改變元素數(shù)量和元素值，可以調(diào)用reshape函數(shù)。例如，可以把張量x從形狀為（12,）的行向量轉(zhuǎn)換為形狀為（3,4）的矩陣。
#注意，通過改變張量的形狀，張量的大小不會改變。
X = x.reshape(3,4)
X

#生成全0的張量
torch.zeros((2,3,4))  

#生成全1的張量
torch.ones((2,3,4))

#生成隨機值，且每個元素都從均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)高斯分布（正態(tài)分布）中隨機采樣。
torch.randn((2,3))

# 通過python列表為張量賦值  ，在這里，最外層的列表對應(yīng)于軸0，內(nèi)層的列表對應(yīng)于軸1。
torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])

2.1.2 運算符

對于任意具有相同形狀的張量， 常見的標(biāo)準(zhǔn)算術(shù)運算符（+、-、*、/和**）都可以被升級為按元素運算。我們可以在同一形狀的任意兩個張量上調(diào)用按元素操作。

#運算符
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

#求冪運算
torch.exp(x)

#多個張量連結(jié)（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) #按行連結(jié)，按列連結(jié)

#通過邏輯運算符構(gòu)建二元張量
X == Y

#對張量中的所有元素求和會產(chǎn)生一個單元素張量
X.sum()

2.1.3 廣播機制

#在某些情況下，即使張量形狀不同，我們也可以通過調(diào)用廣播機制來執(zhí)行按元素操作
#這種機制的工作方式如下：
#通過適當(dāng)復(fù)制元素來擴展一個或兩個數(shù)組，以便在轉(zhuǎn)換之后，兩個張量具有相同的形狀；
#對生成的數(shù)組執(zhí)行按元素操作。
#在大多數(shù)情況下，我們將沿著數(shù)組中長度為1的軸進(jìn)行廣播，如下例子：
a = torch.arange(3).reshape((3,1))
b = torch.arange(2).reshape((1,2))
a,b,torch.arange(2)

#由于a和b分別是矩陣，如果讓它們相加，它們的形狀不匹配。我們將兩個矩陣廣播為一個更大的矩陣，
#如下所示：矩陣a將復(fù)制列， 矩陣b將復(fù)制行，然后再按元素相加。
a + b

2.1.4 索引和切片

就像在任何其他Python數(shù)組中一樣，張量中的元素可以通過索引訪問。與任何Python數(shù)組一樣：第一個元素的索引是0，最后一個元素索引是-1；可以指定范圍以包含第一個元素和最后一個之前的元素。

如下所示，我們可以用[-1]選擇最后一個元素，可以用[1:3]選擇第二個和第三個元素：

X[-1],X[1:3]

#指定元素寫入矩陣
X[1,2] = 9
X

#多個元素賦相同值 [0:2, :]訪問第1行和第2行，其中“:”代表沿軸1（列）的所有元素
X[0:2,:] = 12
X

2.1.5 節(jié)省內(nèi)存

運行一些操作可能會導(dǎo)致為新結(jié)果分配內(nèi)存。例如，如果我們用Y = X + Y，我們將取消引用Y指向的張量，而是指向新分配的內(nèi)存處的張量。

# id()函數(shù)提供了內(nèi)存中引用對象的確切地址
#運行Y = Y + X后，我們會發(fā)現(xiàn)id(Y)指向另一個位置。這是因為Python首先計算Y + X，為結(jié)果分配新的內(nèi)存，然后使Y指向內(nèi)存中的這個新位置。
before = id(Y)
Y = Y + X
id(Y) == before
before,id(Y)

#這可能是不可取的，原因有兩個：

#首先，我們不想總是不必要地分配內(nèi)存。在機器學(xué)習(xí)中，我們可能有數(shù)百兆的參數(shù)，并且在一秒內(nèi)多次更新所有參數(shù)。
#通常情況下，我們希望原地執(zhí)行這些更新；如果我們不原地更新，其他引用仍然會指向舊的內(nèi)存位置，這樣我們的某些代碼可能會無意中引用舊的參數(shù)。
#我們可以使用切片表示法將操作的結(jié)果分配給先前分配的數(shù)組，例如Y[:] = <expression>
Z = torch.zeros_like(Y)
print('id(Z):',id(Z))
Z[:] = X + Y
print('id(Z):',id(Z))

#如果在后續(xù)計算中沒有重復(fù)使用X， 我們也可以使用X[:] = X + Y或X += Y來減少操作的內(nèi)存開銷。
before = id(X)
X += Y
id(X) == before

2.1.6 轉(zhuǎn)換為其他python對象

#將深度學(xué)習(xí)框架定義的張量轉(zhuǎn)換為NumPy張量（ndarray）很容易，反之也同樣容易。
#torch張量和numpy數(shù)組將共享它們的底層內(nèi)存，就地操作更改一個張量也會同時更改另一個張量。
A = X.numpy()
B = torch.tensor(A)
type(A),type(B)

#要將大小為1的張量轉(zhuǎn)換為Python標(biāo)量，我們可以調(diào)用item函數(shù)或Python的內(nèi)置函數(shù)。
a = torch.tensor([3.5])
a,a.item(),float(a),int(a)

#深度學(xué)習(xí)存儲和操作數(shù)據(jù)的主要接口是張量（維數(shù)組）。它提供了各種功能，包括基本數(shù)學(xué)運算、廣播、索引、切片、內(nèi)存節(jié)省和轉(zhuǎn)換其他Python對象。

ok第一期學(xué)習(xí)筆記就到這了，希望在看的小伙伴點個在看，支持我繼續(xù)寫下去。