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
PyTorch 教程目录
- PyTorch 简介
- PyTorch 安装
- PyTorch 神经网络的数学基本构建模块
- PyTorch 神经网络基础
- PyTorch 机器学习的通用工作流程
- PyTorch 机器学习 vs. 深度学习
- PyTorch 实现第一个神经网络
- PyTorch 神经网络到功能块
- PyTorch 术语
- PyTorch 加载数据
- PyTorch 线性回归
- PyTorch 卷积神经网络
- PyTorch 循环神经网络
- PyTorch 数据集
- PyTorch 卷积神经网络介绍
- PyTorch 从头训练一个卷积神经网络
- PyTorch 卷积神经网络中的特征提取
- PyTorch 卷积神经网络的可视化
- PyTorch 序列处理与卷积
- PyTorch 词嵌入
- PyTorch 递归神经网络