Pytorch中的基本数据类型就是各式各样的张量，张量可以理解为多维矩阵。Pytorch中定义了一个Tensor类来实现张量，Tensor在使用上与numpy的ndarray类似，不同的是，Tensor可以在GPU上运行，但是numpy只能在CPU上运行，当然numpy与Tensor可以进行相互转换，以此使得numpy数据在GPU上运行。Pytorch中的Tensor又包括CPU上的数据类型和GPU上的数据类型，两种数据类型之间也可以进行相互转换
requires_grad是Pytorch中通用数据结构Tensor的一个属性，用于说明当前量是否需要在计算中保留对应的梯度信息
torch.rand和torch.randn有什么区别 一个均匀分布，一个是标准正态分布。
np.random.normal()的意思是一个正态分布numpy.random.normal(loc=0,scale=1e-2,size=shape) ，意义如下：
注意这输出的不是二维数组([[1],[2]])这种，输出的是一维数组([1,2,3])这种
噪声代表了数据集中无意义的干扰： 随机噪声项来生成标签，其中噪声项服从均值为0、标准差为0.01的正态分布
labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float32)random.shuffle() 用于将一个列表中的元素打乱
a =[10,20,30,40,50,60] random.shuffle(a) print(a)python中yield的用法详解
torch.index_select
torch.index_select(features,0, j) 等价于 features.index_select(0,j)第一个参数是索引的对象，第二个参数0表示按行索引，1表示按列进行索引，第三个参数是一个tensor，就是索引的序号，比如b里面tensor[0， 2]表示第0行和第2行，c里面tensor[1, 3]表示第1列和第3列。
Tensor是这个包的核心类，如果将其属性.requires_grad设置为True，它将开始追踪(track)在其上的所有操作。完成计算后，可以调用.backward()来完成所有梯度计算。此Tensor的梯度将累积到.grad属性中。
w.requires_grad_(requires_grad=True) b.requires_grad_(requires_grad=True)torch.mul() 和 torch.mm() 的区别 PyTorch中view的用法 把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。比如:
y=torch.tensor([[1,2,3,4],[2,3,4,5]]) print(y) x=y.view(8) print(x) z=y.view(4,2) print(z)生成数据集
num_inputs = 2 num_examples = 1000 true_w = [2, -3.4] true_b = 4.2 features = torch.randn(num_examples, num_inputs, dtype=torch.float32) labels = true_w[0] * features[:, 0] + true_w[1] * features[:, 1] + true_b labels += torch.tensor(np.random.normal(0, 0.01, size=labels.size()), dtype=torch.float32)读取数据
# 本函数已保存在d2lzh包中方便以后使用 def data_iter(batch_size, features, labels): num_examples = len(features) indices = list(range(num_examples)) random.shuffle(indices) # 样本的读取顺序是随机的 for i in range(0, num_examples, batch_size): j = torch.LongTensor(indices[i: min(i + batch_size, num_examples)]) # 最后一次可能不足一个batch yield features.index_select(0, j), labels.index_select(0, j) batch_size = 10 for X, y in data_iter(batch_size, features, labels): print(X, '\n', y) break初始化模型参数
w = torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32) b = torch.zeros(1, dtype=torch.float32) w.requires_grad_(requires_grad=True) b.requires_grad_(requires_grad=True)定义模型
def linreg(X, w, b): # 本函数已保存在d2lzh包中方便以后使用 return torch.mm(X, w) + b定义损失函数
def squared_loss(y_hat, y): # 本函数已保存在pytorch_d2lzh包中方便以后使用 return (y_hat - y.view(y_hat.size())) ** 2 / 2定义优化算法
def sgd(params, lr, batch_size): # 本函数已保存在d2lzh_pytorch包中方便以后使用 for param in params: param.data -= lr * param.grad / batch_size # 注意这里更改param时用的param.data训练模型
lr = 0.03 num_epochs = 3 net = linreg loss = squared_loss for epoch in range(num_epochs): # 训练模型一共需要num_epochs个迭代周期 # 在每一个迭代周期中，会使用训练数据集中所有样本一次（假设样本数能够被批量大小整除）。X # 和y分别是小批量样本的特征和标签 for X, y in data_iter(batch_size, features, labels): l = loss(net(X, w, b), y).sum() # l是有关小批量X和y的损失 l.backward() # 小批量的损失对模型参数求梯度 sgd([w, b], lr, batch_size) # 使用小批量随机梯度下降迭代模型参数 # 不要忘了梯度清零 w.grad.data.zero_() b.grad.data.zero_() train_l = loss(net(features, w, b), labels) print('epoch %d, loss %f' % (epoch + 1, train_l.mean().item())) print(true_w, '\n', w) print(true_b, '\n', b)理解损失函数中的代码：
(y_hat - y.view(y_hat.size())) ** 2 / 2y_hat的形状是[n, 1]，而y的形状是[n]，两者相减得到的结果的形状是**[n, n]**（用到了广播机制），相当于用y_hat的每一个元素分别减去y的所有元素，所以无法得到正确的损失值
理解优化函数中的代码 如果用如下方式
def sgd(params,lr,batch_size): for param in params: param-=lr*param.grad
也就是说torch变量带requires_grad 的不能进行+=操作 此时只需要将param改为param.data就行
def sgd(params,lr,batch_size): for param in params: param.data-=lr*param.grad*unsupported operand type(s) for : ‘float’ and ‘NoneType’
是由于忘记加l.backward()导致
