2.《动手学深度学习》预备知识
发表评论
1217 views

1 数据操作

1.1 基础入门

  • 理解数据、元素个数（size）、高维矩阵与维度（shape）
  • 通过索引[]与切片:来灵活读取高维矩阵
  • reshape改变形状与矩阵初始化（zeros，ones）

1.2 运算符

  • 按元素（elementwise）运算（加减乘除）
  • 线性代数运算（向量点积、矩阵乘法）
  • 张量连结（concatenate）：按行（轴-0）/按列（轴-1）

1.3 广播机制

广播机制（broadcasting mechanism）的工作方式：通过适当复制元素来扩展一个或两个数组， 以便在转换之后，两个张量具有相同的形状。

比如说一个$3\times1$的矩阵和一个$1\times2$的矩阵相加，由于他们形状不匹配，所以会对第一个矩阵列复制，第二个矩阵行复制，最终结果为$3\times2$的矩阵

1.4 节省内存

有的操作可能会导致为新结果分配内存

before = id(Y)
Y = Y + X
id(Y) == before
# False

Pytorch可以通过X[:] = X + Y或X += Y实现原地修改，以减少操作的内存开销

TensorFlow提供了tf.function修饰符用于减少计算的内存开销

1.5 类型转换

torch张量和numpy数组将共享它们的底层内存

A = X.numpy()
B = torch.tensor(A)
type(A), type(B)
# (numpy.ndarray, torch.Tensor)

a = torch.tensor([3.5])
a, a.item(), float(a), int(a)
# (tensor([3.5000]), 3.5, 3.5, 3)

tensorflow转换后的结果不共享内存

A = X.numpy()
B = tf.constant(A)
type(A), type(B)
# (numpy.ndarray, tensorflow.python.framework.ops.EagerTensor)

a = tf.constant([3.5]).numpy()
a, a.item(), float(a), int(a)
# (array([3.5], dtype=float32), 3.5, 3.5, 3)

2 数据预处理

  • 数据读取 pd.read_csv
  • 缺失值处理 fillna 和哑变量处理 get_dummies(df, dummy_na=True)
  • 复杂的缺失数据可根据具体情况选择插值法和删除法

3 线性代数

  • 标量（仅包含一个数值）
  • 向量（标量值组成的列表）
  • 矩阵（一阶向量组成的二阶向量）
  • 张量（描述具有任意数量轴的$n$维数组的通用方法）

重点概念：

矩阵的转置、线性变换、矩阵乘法、哈达玛积（Hadamard product，也就是矩阵的点积）、矩阵的Frobenius范数（元素的平方和再开方，类似于矩阵的$L_2$范数）、对称与反对称矩阵、矩阵的正定（特征值大于零，性质上类似复数中的正实数）、正交矩阵（行向量和列向量皆为正交的单位向量）、置换矩阵（特殊的正交矩阵，向量由一个1和多个0组成）、特征向量、特征值

按特定轴求和，维度为[2,3,4,5]的张量，按照axis=[1,3]求和后，最后的维度为[2,4]。而通过设置参数keepdims=True，最后的维度为[2,1,4,1]。

4 微积分

重点概念：

斜率、导数、微分法则（常数、加法、乘法、除法）、链式法则、亚导数（拓展不可微的函数求导）、偏导、梯度（将导数拓展到向量）、矩阵求导

拓展资料：

矩阵求导的本质与分子布局、分母布局的本质（矩阵求导——本质篇）：https://zhuanlan.zhihu.com/p/263777564
矩阵求导公式的数学推导（矩阵求导——基础篇）：https://zhuanlan.zhihu.com/p/273729929
矩阵求导公式的数学推导（矩阵求导——进阶篇）：https://zhuanlan.zhihu.com/p/288541909

5 自动微分

5.1 计算图

深度学习框架通过构建一个计算图（computational graph）来加快求导，并实现自动计算导数，即自动微分（automatic differentiation）。

计算图的构建：

  • 将代码分解成操作子
  • 将计算表示成一个无环图
  • 显式构造（Tensorflow/Theano/MXNet）
  • 或 隐式构造（PyTorch/MXNet）

自动求导的两种模式：正向累积VS反向累积

实际情况下，反向累积优于正向累积

5.2 反向累积

反向累积过程：

  • 构造计算图
  • 正向执行，存储每个操作子的结果
  • 反向累积，借助中间存储和链式法则，计算每个操作子的梯度

复杂度分析

  • 反向累积的计算复杂度是O(n)，n表示操作子个数
  • 反向累积的内存复杂度是O(n)，正向的n个中间存储，这也是实际运行神经网络需要耗费较大的显存资源的原因
  • 正向累积的内存复杂度是O(1)，因为不需要存储中间结果
  • 但正向累积的计算复杂度非常高，每个变量的梯度都需要O(n)的计算复杂度
  • 相比于正向累积，反向累积借助空间换时间的思想，实现了更高效的综合表现

5.3 自动微分的示例（PyTorch）

import torch

x = torch.arange(4.0)
x.requires_grad_(True)  
# 等价于x=torch.arange(4.0,requires_grad=True)
y = 2 * torch.dot(x, x)
y.backward()
x.grad
# tensor([ 0.,  4.,  8., 12.])

# 在默认情况下，PyTorch会累积梯度，我们需要清除之前的值
x.grad.zero_()
y = x * x
u = y.detach() # 分离出与y值相同的变量u 
z = u * x # 反向传播时，u将被看作常数
z.sum().backward()
x.grad == u
# tensor([True, True, True, True])

5.4 自动微分的示例（Tensorflow）

import tensorflow as tf

x = tf.range(4, dtype=tf.float32)
x = tf.Variable(x)
# 把所有计算记录在磁带上
with tf.GradientTape() as t:
    y = 2 * tf.tensordot(x, x, axes=1)
x_grad = t.gradient(y, x)
x_grad == 4 * x
# <tf.Tensor: shape=(4,), dtype=bool, numpy=array([ True,  True,  True,  True])>

# 设置persistent=True来运行t.gradient多次
with tf.GradientTape(persistent=True) as t:
    y = x * x
    u = tf.stop_gradient(y)
    z = u * x

x_grad = t.gradient(z, x)
x_grad == u
# <tf.Tensor: shape=(4,), dtype=bool, numpy=array([ True,  True,  True,  True])>
t.gradient(y, x) == 2 * x
# <tf.Tensor: shape=(4,), dtype=bool, numpy=array([ True,  True,  True,  True])>

6 概率基础

重点概念：

事件、抽样、分布、大数定律、联合概率、条件概率、贝叶斯定理、概率求和/边际化、独立与依赖、期望和方差/标准差

7 查阅文档

  • 调用dir函数查看属性
  • 调用help函数查看说明
  • 在Jupyter记事本中使用?和??

往年同期文章