Python学习（一）——配套《PyTorch深度学习实战》
记录一下Python学习过程中的一些问题：<hr>1. 在JupyterLab中查询当前文件的地址
import osprint(os.getcwd())#查询该文件的地址<hr>2. 新建cell
在 JupyterLab 中新建一个单元格（cell）的方法有多种，以下是一些常用的方法：
[*]使用快捷键：
[*]B：在当前单元格下方新建一个单元格。
[*]A：在当前单元格上方新建一个单元格。
实测有效，虽然看起来挺神奇的，确实方便
[*]使用工具栏按钮：
[*]在工具栏上，你可以找到用于添加单元格的按钮。通常，这些按钮位于工具栏的中间部分，看起来像是一个带有加号的单元格图标。
[*]使用右键菜单：
[*]在工作区的空白处或者在已有单元格的边缘右键点击，然后选择“Insert Cell Above”或“Insert Cell Below”来在相应位置插入新单元格。
[*]使用命令面板：
[*]点击工具栏上的 "Commands" 图标（或者使用快捷键 Ctrl+Shift+P），在命令面板中搜索 "Insert Cell Below" 或 "Insert Cell Above" 并选择它。
[*]拖拽单元格：
[*]你可以将一个单元格拖拽到工作区的空白处，然后释放鼠标，这将在该位置创建一个新的单元格。
[*]使用菜单：
[*]在 JupyterLab 的菜单栏中，点击 "Insert"，然后选择 "Insert Cell Below" 或 "Insert Cell Above"。
[*]使用侧边栏：
[*]在 JupyterLab 的侧边栏中，点击 "+" 图标，然后选择 "Code" 或 "Markdown" 来创建一个新的单元格。
[*]使用拖拽文件：
[*]你也可以将一个 .py 或 .ipynb 文件拖拽到 JupyterLab 的工作区中，这将创建一个新的单元格或打开一个新笔记本。
选择适合你的方法来新建单元格，然后你就可以在新单元格中输入代码或 Markdown 文本了。
3. 集合、列表、元祖的区别
在 Python 中，集合（set）、列表（list）和元组（tuple）是三种不同的数据结构，它们各自有不同的特性和用途：
[*]列表（List）：
[*]列表是可变的，这意味着你可以在创建后修改它们（添加、删除或更改元素）。
[*]列表可以包含重复的元素。
[*]列表是有序的，即它们保持元素插入的顺序。
[*]列表可以包含不同类型的元素。
[*]列表支持索引和切片操作。
[*]列表的典型用法包括创建一个有序的元素集合，或者当你需要修改集合中的元素时。
[*]元组（Tuple）：
[*]元组是不可变的，一旦创建就不能修改（不能添加、删除或更改元素）。
[*]元组可以包含重复的元素。
[*]元组也是有序的，并且支持索引和切片操作。
[*]元组可以包含不同类型的元素。
[*]元组通常用于存储不应该改变的数据。
[*]元组是创建不可变集合的推荐方式，它们还可以用作字典的键（因为字典的键必须是不可变的）。
[*]集合（Set）：
[*]集合是无序的，这意味着集合中的元素没有固定的顺序，并且可能会在每次迭代时改变。
[*]集合是可变的，你可以添加或删除元素。
[*]集合不能包含重复的元素，每个元素都是唯一的。
[*]集合不支持索引操作，因为它们是无序的。
[*]集合的典型用法包括消除重复元素、进行集合运算（如并集、交集、差集）。
[*]集合是不可哈希的，因此不能用作字典的键。
以下是一些示例：
# 列表my_list = my_list.append(6)# 添加元素my_list = 20 # 修改元素# 元组my_tuple = (1, 2, 3, 4, 5)# my_tuple = 20# 这会引发 TypeError，因为元组是不可变的# 集合my_set = {1, 2, 3, 4, 5}my_set.add(6)# 添加元素# my_set# 这会引发 TypeError，因为集合不支持索引选择使用哪种数据结构取决于你的具体需求，比如是否需要有序性、是否允许重复元素、是否需要修改集合等。
<hr>4. 张量的二维表达是矩阵
张量（Tensor）和矩阵（Matrix）是线性代数中的两个概念，它们有一定的联系，但在维度和应用上有所不同。
[*]矩阵：
[*]矩阵是一个二维数组，由行和列组成，可以看作是特殊的张量。
[*]矩阵中的元素通常用两个索引来访问，如 ( a_{ij} )，其中 ( i ) 表示行索引，( j ) 表示列索引。
[*]矩阵在数学、物理学和工程学中有广泛的应用，特别是在线性变换、系统方程和图形变换等领域。
[*]张量：
[*]张量是多维数组的推广，可以有任意数量的维度。例如，0维张量是一个标量，1维张量是一个向量，2维张量是一个矩阵。
[*]张量中的元素可以用多个索引来访问，如 ( a_{ijk} )，其中 ( i )、( j ) 和 ( k ) 分别表示不同维度的索引。
[*]张量在物理学中用于描述具有多个分量的物理量，如应力、应变等。在深度学习中，张量用于表示数据和权重，可以是多维的，以适应不同的网络结构和计算需求。
在深度学习和计算机科学中，张量的概念被广泛使用，尤其是在以下领域：
[*]神经网络：张量用于表示网络的输入、输出和权重。
[*]图像处理：图像可以表示为三维张量（高度、宽度、颜色通道）。
[*]自然语言处理：文本数据可以表示为张量，用于模型的输入和处理。
在 PyTorch 和 TensorFlow 等深度学习框架中，张量是核心数据结构，它们提供了对多维数组的高效操作，并且可以利用 GPU 加速计算。这些框架中的张量操作通常包括基本的数学运算、矩阵乘法、卷积、池化等。
页:
[1]