机器学习（ML）和深度学习（DL）的关系和区别

• 深度学习属于机器学习，是机器学习的一部分

深度学习的特点

• 深层非线性（可以加入激活函数）
• 自动提取特征
• 大数据和计算能力
• 解释性比较弱

DL的常用模型

• CNN，RNN

什么是张量

• 张量就是pytorch中的元素为同一种数据类型的多维矩阵
• pytorch对张量的大量支持，例如：数值计算，矩阵操作，自动求导（自动微分）
• pytorch支持各种张量子类型
• 标量（0维张量）
• 矢量（1维张量）
• 矩阵（2维张量）
• 矩阵数组（3维张量）
• ...

张量的创建方式

• torch.tensor
• torch.Tensor
• torch.IntTensor, torch.FloatTensor

import torch
import numpy as np


def demo_1():

    # 场景1 标量张量
    t1 = torch.tensor(10)
    print(f't1: {t1}, type: {type(t1)}')
    print('-' * 30)

    # 场景2 二维列表 -> 张量
    data = [[1, 2, 3],[4, 5, 6]]
    t2 = torch.tensor(data)
    print(f't1: {t2}, type: {type(t2)}')
    print('-' * 30)


    # 场景3 numpy的nd数组也能转为 张量
    data = np.random.randint(0, 10, (2,3))
    t3 = torch.tensor(data)
    print(f't1: {t3}, type: {type(t3)}')
    print('-' * 30)


def demo_2():

    # 场景1 标量张量
    t1 = torch.Tensor(10)
    print(f't1: {t1}, type: {type(t1)}')
    print('-' * 30)

    # 场景2 二维列表 -> 张量
    data = [[1, 2, 3],[4, 5, 6]]
    t2 = torch.Tensor(data)
    print(f't2: {t2}, type: {type(t2)}')
    print('-' * 30)


    # 场景3 numpy的nd数组也能转为 张量
    data = np.random.randint(0, 10, (2,3))
    t3 = torch.Tensor(data)
    print(f't3: {t3}, type: {type(t3)}')
    print('-' * 30)

    # 场景4 按照形状创建张量
    t4 = torch.Tensor(2,3)
    print(f't4: {t4}, type: {type(t4)}')
    print('-' * 30)


if __name__ == '__main__':
    # demo_1()
    demo_2()

总结：

• torch.Tensor的功能更加强大，还可以直接根据性质创建张量，例如torch.Tensor(2,3)