上一节:
下一节:

  PyTorch - 神经网络的数学构建块

  • 简述

    数学在任何机器学习算法中都是至关重要的，它包括数学的各种核心概念，以获取以特定方式设计的正确算法。
    下面提到了数学主题对机器学习和数据科学的重要性 -
    机器学习
    现在，让我们关注机器学习的主要数学概念，这从自然语言处理的角度来看很重要 -

  • 向量

    向量被认为是连续或离散的数字数组，由向量组成的空间称为向量空间。向量的空间维度可以是有限的或无限的，但已经观察到机器学习和数据科学问题处理固定长度的向量。
    矢量表示如下所示 - 
    
temp = torch.FloatTensor([23,24,24.5,26,27.2,23.0])
temp.size()
Output - torch.Size([6])
    在机器学习中，我们处理多维数据。因此向量变得非常重要，并被视为任何预测问题陈述的输入特征。

  • 标量

    标量被称为具有仅包含一个值的零维。说到 PyTorch，它不包括一个特殊的零维张量；因此声明将如下 - 
    
x = torch.rand(10)
x.size()
Output - torch.Size([10])

  • 矩阵

    大多数结构化数据通常以表格或特定矩阵的形式表示。我们将使用一个名为 Boston House Prices 的数据集，该数据集可在 Python scikit-learn 机器学习库中轻松获得。 
    
boston_tensor = torch.from_numpy(boston.data)
boston_tensor.size()
Output: torch.Size([506, 13])
boston_tensor[:2]
Output:
Columns 0 to 7
0.0063 18.0000 2.3100 0.0000 0.5380 6.5750 65.2000 4.0900
0.0273 0.0000 7.0700 0.0000 0.4690 6.4210 78.9000 4.9671
Columns 8 to 12
1.0000 296.0000 15.3000 396.9000 4.9800
2.0000 242.0000 17.8000 396.9000 9.1400
上一节:
下一节: