1 安装dataspell与anaconda
1安装dataspell与anaconda
这一步可以自己搞定。
但是你得把anaconda的环境变量添加进你的用户的path里面。
前面那里改成你的anaconda安装的位置就行。
Q:anaconda是什么鬼
A:是一个打包了很多深度学习库的环境管理软件（确信
1.2基本的anaconda操作
创建一个叫做py37,的python3.7版本的环境
conda create --name py37 python=3.7启动这个环境
activate py37关闭这个环境
deactivate py37显示已经安装好的环境
conda info --envs复制环境（不用加上尖括号哈）
conda create --name <new_env_name> --clone <copied_env_name>删除环境
conda remove --name <env_name> --all查看已经安装的包
conda list查找想要安装的包
conda search <text>在当前环境下安装包
conda install <package_name>2 张量
2.1 什么是张量
这里的张量和其他意义的张量没啥关系，只是一个多维的数据
2.2 张量的一些操作
这个代码编辑的插件一坨屎，我就直接截图了
同样的，把列表传递给张量也是可行的
试图用zeros函数函数构造多维数组(2维，一共三组数）
此时我们访问的数据不再是一个数字，而是一个二维的数组
索引张量，类似列表的操作方法（你说是那就是
2.3 张量的元素类型
torch.float32 或 torch.float：32 位浮点数。
torch.float64 或 torch.double：64 位双精度浮点数。
torch.float16 或 torch.half：16 位半精度浮点数。
torch.int8：8 位有符号整数。
torch.uint8：8 位无符号整数。
torch.int16 或 torch.short：16 位有符号整数。
torch.int32 或 torch.int：32 位有符号整数。
torch.int64 或 torch.long：64 位有符号整数。
torch.bool：布尔型。
对于上面的张量创建方式，我们可以在指定其类型
当然，你可以用 dtype方法来看张量的类型
对于类型的转换，自动的to方法倒是不错的选择
2.4 张量的使用
这里似乎有一大堆函数，还是看看手册吧（我有空再来翻译翻译，妈耶太哈人了
在这里：torch.Tensor — PyTorch 1.13 documentation
有空翻译翻译再搬运搬运，太多了
2.5 So NVIDIA, FUCK U(cuda的使用）
在gpu上进行张量运算：只需要在初始化张量的时候设置好就行
2.6 与numpy数组的转换
使用numpy()方法
使用from_numpy(<name>)方法
2.7 储存张量与读取张量，序列化张量
使用save(<name>,<location>);load(<location>)方法来实现，loaction可以用python的with open(<location>) as f: 来实现不那么长
3 处理真实的数据
3.1 图像的处理
纵使我很喜欢用hsv来搞opencv的图像识别，但是对于深度学习还是用RGB吧，直观一些（大嘘）
读取图像（我超不用opencv）
我们看到一个三通道的 677*960 的张量，嗯
当然你也可以用opencv读取
对于一张图片，常见的三维数组分别是“高 宽 通道”，出于效率的考虑，我们切换为“通道 高 宽”，使用permute()方法来实现。
permute的参数其实很搞笑，就是自己重新用数字排列一下你想要的顺序（记得列表的第一个索引是0哦）
然后可以再次使用zeros()方法来构造一个张量存储多组图像数据，就像这样（例子中是三个）
最后对图像进行一点小小的映射（为了后面的神经网络的计算服务
3.2 试图预测葡萄酒的味道
我们先下载一份来自什么葡萄酒的cvs文件
然后用cvs库来读取这个玩意
loadtxt()的一堆参数里面 我们规定了数据路径，数据类型，数据分隔符以及需要从第几排开始读取
再通过上面的方法转换为一个张量
