深度学习六

import tensorflow as tf

# 打印 TensorFlow 版本和可用 GPU 信息
print("TensorFlow 版本:", tf.__version__)

print("可用 GPU:", tf.config.list_physical_devices('GPU'))

import tensorflow as tf

x = tf.range(12)  # 创建一个包含12个元素的一维张量
print(x)  # 打印张量的内容
print(x.shape)  # 打印张量的形状
print(tf.size(x))  # 打印张量的元素总数

X = tf.reshape(x, (3, 4))  # 将一维张量重新形状为3行4列的二维张量
print(X)

import torch

# 创建一个包含12个元素的一维张量
x = torch.arange(12)
# 打印张量的内容、形状和元素总数
print(x)
print(x.shape)
print(x.numel())

# 将一维张量重新形状为3行4列的二维张量
x = x.reshape(3, 4)
print(x)

x = torch.zeros((2, 3))  # 创建一个2行3列的全零张量
print(x)
x = torch.ones((2, 3))   # 创建一个2行3列的全一
print(x)
x = torch.randn((2, 3))  # 创建一个2行3列的随机张量，元素服从标准正态分布
print(x)

import torch

torch.set_default_device('cuda' if torch.cuda.is_available() else 'cpu')  # 设置默认设备为GPU（如果可用）或CPU

x = torch.tensor([1.0, 2, 4, 8])  # 从Python列表创建一个张量
y = torch.tensor([2, 2, 2, 2]) # 从Python列表创建另一个张量
print(x + y)  # 张量加法
print(x - y)  # 张量减法
print(x * y)  # 张量乘法（逐元素乘法）
print(x / y)  # 张量除法（逐元素除法）
print(x ** y) # 张量幂运算（逐元素指数运算）

# e 是自然对数的底数，约等于2.71828
print(torch.exp(x))  # 计算张量的指数

X = torch.arange(12).reshape(3, 4)  # 创建一个包含12个元素的一维张量，并重新形状为3行4列的二维张量
Y = torch.tensor([[1.0, 1.0, 1.0, 1.0], [2.0, 2.0, 2.0, 2.0], [3.0, 3.0, 3.0, 3.0]])  # 创建另一个3行4列的张量

print(torch.cat((X, Y), dim=0))  # 沿着第0维（行）连接张量
print(torch.cat((X, Y), dim=1))  # 沿着第1维（列）连接张量

print(X == Y)  # 元素逐一比较，返回布尔张量

import torch

a = torch.arange(3).reshape(3, 1)  # 创建一个包含0, 1, 2的一维张量，并重新形状为3行1列的二维张量
print(a)
b = torch.arange(2).reshape(1, 2)  # 创建一个包含0, 1的一维张量，并重新形状为1行2列的二维张量
print(b)
print(a + b)  # 广播机制：a的每一行都加上b的每一行，结果是一个3行2列的张量

# a = [[0], [1], [2]]  # 形状为(3, 1) 维度数为2
# b = [[0, 1]]         # 形状为(1, 2) 维度数为2
# a 扩展为 [[0, 0], [1, 1], [2, 2]]  # 形状为(3, 2)
# b 扩展为 [[0, 1], [0, 1], [0, 1]]  # 形状为(3, 2)
# a + b = [[0+0, 0+1], [1+0, 1+1], [2+0, 2+1]] = [[0, 1], [1, 2], [2, 3]]  # 形状为(3, 2)

import torch

X = torch.arange(12).reshape(3, 4)  # 创建一个包含12个元素的一维张量，并重新形状为3行4列的二维张量
print(X)  # 打印张量的内容
print(X[0]) # 打印第一行
print(X[1]) # 打印第二行
print(X[2]) # 打印第三行
print(X[-1]) # 打印最后一行（与X[2]相同，因为-1表示最后一个元素）
print(X[:, 0]) # 打印第一列
print(X[:, 1]) # 打印第二列
print(X[:, 2]) # 打印第三列
print(X[:, 3]) # 打印第四列
print(X[1, 2]) # 打印第二行第三列的元素

X = torch.arange(12).reshape(3, 4)  # 创建一个包含12个元素的一维张量，并重新形状为3行4列的二维张量
Y = torch.arange(12).reshape(3, 4)

before = id(Y)  # 获取张量a的内存地址
Y = Y + X # 执行张量加法，结果赋值给Y
after = id(Y)  # 获取张量a的内存地址
print(before == after)  # 打印内存地址是否相同，应该是False，因为Y被重新赋值了一个新的张量

Y[:] = Y + X # 执行张量加法，并将结果直接存储在Y原来的内存地址中
after = id(Y)  # 获取张量a的内存地址
print(before == after)  # 打印内存地址是否相同，应该是True，因为Y的内容被修改了，但内存地址没有改变

Y += X # 执行张量加法，并将结果直接存储在Y原来的内存地址中（这是Y[:] = Y + X的简写）
after = id(Y)  # 获取张量a的内存地址
print(before == after)  # 打印内存地址是否相同，应该是True，因为Y的内容被修改了，但内存地址没有改变

A= X.numpy()  # 将PyTorch张量转换为NumPy数组
print(A)  # 打印NumPy数组的内容
print(type(A))  # 打印A的类型，应该是numpy.ndarray
print(type(X))  # 打印X的类型，应该是torch.Tensor
B = torch.tensor(A)  # 将NumPy数组转换回PyTorch张量
print(B)  # 打印转换回来的PyTorch张量
print(type(B))  # 打印B的类型，应该是torch.Tensor

a = torch.tensor([3.0])  # 创建一个包含单个元素3.0的张量
print(a)  # 打印张量a的内容
print(a.item())  # 使用item()方法获取张量a中的单个元素的

import os

# 创建一个名为"data"的目录，如果已经存在则不会抛出异常, 路径是相对于当前文件所在目录的上一级目录
os.makedirs(os.path.join(".", "data"), exist_ok=True)

# 定义数据文件的路径，位于上一级目录的"data"文件夹中，文件名为"house_tiny.csv"
data_file = os.path.join(".", "data", "house_tiny.csv")

with open(data_file, 'w') as f:  # 以写入模式打开数据文件
    f.write('NumRooms,Alley,Price\n')  # 写入CSV文件的表头
    f.write('NA,Pave,127500\n')  # 写入第一行数据，表示房间数量未知，巷道为铺装，价格为127500
    f.write('2,NA,106000\n')  # 写入第二行数据，表示房间数量为2，巷道未知，价格为106000
    f.write('4,NA,178100\n')  # 写入第三行数据，表示房间数量为4，巷道未知，价格为178100
    f.write('NA,NA,140000\n')  # 写入第四行数据，表示房间数量未知，巷道未知，价格为140000

print(f"CSV 文件创建成功：{data_file}")

import pandas as pd

data = pd.read_csv(os.path.join(".", "data", "house_tiny.csv"))  # 从CSV文件中读取数据，并存储在一个DataFrame对象中
print(data)  # 打印DataFrame对象的内容
print(data.shape)  # 打印DataFrame对象的形状，即行数和列数
print(data.dtypes)  # 打印DataFrame对象中每列的数据类型

inputs, outputs = data.iloc[:, 0:2], data.iloc[:, 2]  # 将DataFrame对象的前两列作为输入，第三列作为输出
inputs = inputs.fillna(inputs.mean(numeric_only=True))  # 将数值列中的缺失值（NA）替换为每列的平均值
print(inputs)  # 打印处理后的输入数据
print(outputs)  # 打印输出数据

X = torch.tensor(inputs.to_numpy(dtype='float32'))  # 将输入数据转换为PyTorch张量，数据类型为float32
y = torch.tensor(outputs.to_numpy(dtype='float32'))

print(X)  # 打印输入张量
print(y)  # 打印输出张量