數(shù)據(jù)預(yù)處理是指將原始數(shù)據(jù)讀取進來使得能用機器學(xué)習(xí)的方法進行處理。
首先介紹csv文件：
CSV 代表逗號分隔值（comma-separated values），CSV 文件就是使用逗號分隔數(shù)據(jù)的文本文件。
一個 CSV 文件包含一行或多行數(shù)據(jù)，每一行數(shù)據(jù)代表一個記錄。每個記錄包含一個或多個數(shù)值，使用逗號進行分隔。另外，一個 CSV 文件中的所有數(shù)據(jù)行都包含相同數(shù)量的值。
我們通常使用 CSV 文件存儲表格數(shù)據(jù)，很多軟件都支持這種文件格式，例如 Microsoft Excel（新建工作簿保存為.csv即可） 和 Google Spreadsheet。
python可以使用內(nèi)置的csv模塊讀取csv文件。
一、數(shù)據(jù)預(yù)處理
1.首先要找到j(luò)upyter notebook創(chuàng)建地文件存放地位置。
文章來源：http://www.zghlxwxcb.cn/news/detail-765662.html
找到該路徑。
可以看出jupyter與保存地本地文件夾一致。
2.在jupyter notebook里的DataSolving中編寫代碼：
說明：（1）os.makedirs()用于遞歸地創(chuàng)建目錄，exist_ok=True指定后如果該目錄已存在也不報錯；
（2）os.path.join()用于組合一個或多個路徑名,os.path.join(‘…’,‘data’,‘house_tiny.csv’)的返回值為"…\data\house_tiny.cssv。
程序運行之后：
本地打開文件：
3.也可讀取.csv文件，使用pandas。
4.可以使用fillna()對.csv文件中的空值（不是0，而是缺失）進行填充。
可以看到NumRoom那一列的空值被填上了均值（data.mean()表示一列的空值處填充該列原本不為空的元素的均值），而Alley那一列的空值沒有被填充，因為該列是字符串，沒有均值。
對于不是數(shù)值的，可以將空值是為一個類別，處理如下：
5.將從.csv文件中讀取的數(shù)據(jù)轉(zhuǎn)為torch張量。
二、矩陣
1.創(chuàng)建矩陣和矩陣的轉(zhuǎn)置。
2.矩陣與向量的乘積torch.mv([矩陣名]，[向量名])
3.矩陣與矩陣的運算torch.mm([矩陣名]，[矩陣名])
4.矩陣的范數(shù)
5.矩陣計算（求導(dǎo)）
基于高數(shù)的知識，y=3x^2+2x,y’=6x+2，當(dāng)x=2時，y’=14。該過程用pytorch實現(xiàn)為：
說明：（1）創(chuàng)建一個張量x,并設(shè)置其requires_grad參數(shù)為True，程序?qū)粉櫵袑τ谠搹埩康牟僮?，?dāng)完成計算后通過調(diào)用.backward()，自動計算所有的梯度（梯度相當(dāng)于導(dǎo)數(shù)，即方向?qū)?shù)的最大值），這個張量所有的梯度將會自動累積到grad屬性。這里x.grad是y關(guān)于x的導(dǎo)數(shù)。
（2）創(chuàng)建了一個關(guān)于x的函數(shù)y,torch.pow(x,2)相當(dāng)于x2即x的平方。
（3）y.backward()是利用反向傳播機制。
三種不同的求導(dǎo)情況：
（1）張量對標(biāo)量求導(dǎo)：
可以這樣理解：
（2）標(biāo)量對張量求導(dǎo)：
看下面的例子：
設(shè)x=[x1,x2,x3],則z=x12+x22+x32+6,則
標(biāo)量對向量求導(dǎo)本質(zhì)上是函數(shù)對各個自變量求導(dǎo)，這里只是把各個自變量看成一個向量。
（3）張量對張量求導(dǎo)
理解：
現(xiàn)有如下問題，已知
其中函數(shù)f(y1,y2,y3)的具體定義未知，現(xiàn)在求：
根據(jù)多元函數(shù)求導(dǎo)法則：
上面3個等式可以寫成矩陣相乘的形式：
叫做雅可比式，雅可比式可以根據(jù)已知條件求出，哪怕不知道f(y1,y2,y3)的具體形式。
上面的張量是由pytorch的backward函數(shù)的gradient參數(shù)提供。
用pytorch實現(xiàn)：
和代碼運行結(jié)果一樣。
補充：
文章來源地址http://www.zghlxwxcb.cn/news/detail-765662.html
到了這里，關(guān)于pytorch入門2--數(shù)據(jù)預(yù)處理、線性代數(shù)的矩陣實現(xiàn)、求導(dǎo)的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
