PyTorch常用操作

张量方法

函数/属性	说明	示例
`torch.tensor()`	创建张量(已有输入数据)	`x=torch.tensor([1,2,3])`
`torch.zeros()`	创建指定形状全零张量	`x=torch.zeros(2,3)`
`torch.ones()`	创建指定形状全一张量	`x=torch.ones(3)`
`torch.arange()`	创建整数顺序序列(start,end,默认step=1)	`x=torch.arange(0,10)`
`x.shape`/`.size()`	查看张量形状	`x.shape`
`x.view()`/`.reshape()`	改变张量形状(不改变数据顺序)	`x.view(2,3)`
`x.unsqueeze()`	在指定维度增加大小为1维度	`x.unsqueeze(0)`
`x.squeeze()`	去除所有或指定大小为1的维度	`x.squeeze()`
`x.numpy()`	转为NumPy数组	`x.numpy()`
`torch.cat(seq,dim=0,out=None)`	拼接张量，out若没有指定则会创建新的张量作为结果返回	`torch.cat([a,b],dim=0)`
`x.shape`	张量的形状(各维度大小)	`x.shape`
`x.size()`	同`shape`，返回张量形状	`x.size()`
`x.dtype`	张量的数据类型(如dtype=float32)	`x.dtype`
`x.device`	张量所在设备(CPU/GPU)	`x.device`
`x.requires_grad`	自动求导(自构建计算图)	`x.requires_grad`
`x.item()`	将只有一个元素的张量转换为Python的标量数值
`x.dim()`	张量的秩/维度	`x.dim()`
`keepdim`(参数)	保持降维的维度(保持维度为1)	`torch.sum(x,dim=1,keepdim=True)`
`x.to`	将张量x转移到指定的设备(如CPU或GPU)或指定的数据类型上	`X.to(torch.float32)`

张量初始化与随机操作

函数	说明	示例
`torch.zeros(shape)`	创建指定形状的全零张量，shape是生成张量的形状	`torch.zeros((2,3))`
`torch.ones(shape)`	创建指定形状的全一张量	`torch.ones(4)`
`torch.arange(start,end,step)`	创建等差整数序列张量	`torch.arange(0,5,1)`
`torch.rand(shape)`	创建指定形状数值在[0,1)区间均匀分布的随机张量	`torch.rand(2,3)`
`torch.randn(shape)`	创建指定形状均值0，标准差1的标准正态分布随机张量	`torch.randn(3)`
`torch.normal(mean,std,size)`	创建正态分布随机张量(mean均值，std标准差，szie(样本，样本维度))	`torch.normal(mean=0.0,std=1.0,size=(2,3))`
`torch.manual_seed(seed)`	设置随机数种子，种子数字不变随机数序列相同，数字是几无所谓不变就行	`torch.manual_seed(42)`
`torch.sum()`	求和	`torch.sum(x)`
`torch.mean()`	求平均	`torch.mean(x)`
`torch.max()`	最大值	`torch.max(x)`
`torch.abs()`	绝对值	`torch.abs(x)`
`torch.clamp()`	限制范围	`torch.clamp(x,0,1)`
`torch.mm(A,B)`	矩阵乘法(MatrixMultiplication)，仅限二维矩阵	`C=torch.mm(A,B)`
`torch.matmul(A,B)`/`A@B`	广播矩阵乘法，支持高维张量(mm的完全上位，可直接替代)	`C=A@B`
`torch.mv(A,v)`	矩阵与向量乘法(Matrix-VectorMultiplication)	`y=torch.mv(A,v)`
`torch.dot(x,y)`	向量点积(DotProduct)，一维张量	`d=torch.dot(x,y)`
`torch.norm(x,p=2)`	求得张量的范数，`p`表示范数类型，默认是2范数(欧几里得范数)	`n=torch.norm(x)`
`torch.linalg.inv(A)`	矩阵求逆，仅限方阵	`A_inv=torch.linalg.inv(A)`
`torch.linalg.solve(A,b)`	求解线性方程组$Ax=b$	`x=torch.linalg.solve(A,b)`
`torch.transpose(A,dim0,dim1)`	转置张量指定两个维度	`A_t=torch.transpose(A,0,1)`
`torch.t(A)`	矩阵转置(仅限二维矩阵，等同于`transpose(0,1)`)	`A_t=torch.t(A)`

Pandas常用方法

功能分类	方法示例	说明
创建数据结构	`pd.Series(data)`	创建一维数据，类似数组
	`pd.DataFrame(data)`	创建二维表格数据
查看数据	`.head(n)`	查看前n行
	`.tail(n)`	查看后n行
	`.info()`	数据框信息摘要
	`.describe()`	统计汇总
索引与选择	`.loc[row_labels,col_labels]`	根据标签索引行列
	`.iloc[row_indices,col_indices]`	根据位置索引行列
	`.at[row_label,col_label]`	快速访问单个元素
	`.iat[row_index,col_index]`	快速访问单个元素
过滤和条件	`df[df['col']>value]`	条件筛选
	`.query('col>value')`	字符串条件筛选
新增列	`df['new_col']=data`	添加新列
删除	`.drop(columns=['col1','col2'])`	删除列
	`.drop(index=[0,1])`	删除行
排序	`.sort_values(by='col')`	按某列排序
缺失值处理	`.isnull()`	判断缺失值
	`.dropna()`	删除缺失值
	`.fillna(value)`	填充缺失值
聚合	`.groupby('col').sum()`	按列分组求和
	`.groupby('col').agg(['mean','max'])`	多聚合函数
合并与连接	`pd.concat([df1,df2])`	拼接数据
	`pd.merge(df1,df2,on='key')`	数据库风格合并
数据导入导出	`pd.read_csv('file.csv')`	读取CSV文件
	`.to_csv('file.csv')`	保存为CSV

代码中常见参数名及解释(英文)

变量名	英文全称	说明
weights	Weights	模型的权重参数
bias	Bias	偏置项
X	Input/FeatureMatrix	输入特征矩阵
y	Output/Target	目标变量
loss	Loss	损失函数
grad	Gradient	损失函数对参数的梯度
lr	LearningRate	学习率
epoch	Epoch	训练轮数
batch_size	BatchSize	批大小
pred	Prediction	预测值
epsilon	Epsilon	极小数，防止数值不稳定
mu	Mean	均值
sigma	StandardDeviation	标准差
coeff	Coefficient	系数(如高斯函数中的归一化常数)
exponent	Exponent	指数部分(如高斯函数中的指数表达式)
theta	ParameterVector	参数向量(权重的另一种常见符号)
alpha	Coefficient/LR	学习率或正则化参数
beta	Coefficient	系数，也常用于正则化参数