PyTorch 神经网络的数学基本构建模块

数学在任何机器学习算法中都是至关重要的，并包括了各种数学核心概念，以便以特定方式设计正确的算法。

以下是数学对于机器学习和数据科学的重要性：

现在，让我们聚焦于机器学习中重要的数学概念，从自然语言处理的角度来看：

向量

向量被认为是一系列连续或离散的数字，并且包含向量的空间被称为向量空间。向量的空间维度可以是有限的或无限的，但是机器学习和数据科学问题往往处理的是固定长度的向量。

向量的表示如下所示：

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

标量被称为零维，只包含一个值。当涉及到PyTorch时，它不包括具有零维的特殊张量；因此，声明如下所示−

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的矩阵形式表示。我们将使用一个名为波士顿房价的数据集，该数据集在Python的scikit-learn机器学习库中可以轻松获取。

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