【Datawhale动手学深度学习笔记】预备知识

　　Anaconda官网：https://www.anaconda.com/products/distribution

　　跟着屏幕提示输入需要信息即可，安装完成后重新加载一下环境变量

　　内容如下：

　　安装torch

　　安装d2l包

　　注：如果没有git工具安装命令如下

　　个人比较喜欢使用juypter lab进行时间，如果喜欢使用notebook的话可以不执行这一步

　　安装

　　设置密码

　　至此环境准备工作全部完成

　　我们可以使用 arange 创建一个行向量 x。这个行向量包含以0开始的前12个整数，它们默认创建为整数。也可指定创建类型为浮点数。张量中的每个值都称为张量的 元素（element）。例如，张量 x 中有 12 个元素。除非额外指定，新的张量将存储在内存中，并采用基于CPU的计算。

　　在上面的部分中，我们看到了如何在相同形状的两个张量上执行按元素操作。 在某些情况下，即使形状不同，我们仍然可以通过调用 广播机制（broadcasting mechanism）来执行按元素操作。 这种机制的工作方式如下：

　　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；对生成的数组执行按元素操作。 运行一些操作可能会导致为新结果分配内存。 例如，如果我们用Y = X + Y，我们将取消引用Y指向的张量，而是指向新分配的内存处的张量。

　　在下面的例子中，我们用Python的id()函数演示了这一点， 它给我们提供了内存中引用对象的确切地址。 运行Y = Y + X后，我们会发现id(Y)指向另一个位置。 这是因为Python首先计算Y + X，为结果分配新的内存，然后使Y指向内存中的这个新位置。

　　运行结果:

　　这可能是不可取的，原因有两个：

　　首先，我们不想总是不必要地分配内存。在机器学习中，我们可能有数百兆的参数，并且在一秒内多次更新所有参数。通常情况下，我们希望原地执行这些更新；如果我们不原地更新，其他引用仍然会指向旧的内存位置，这样我们的某些代码可能会无意中引用旧的参数。 如果在后续计算中没有重复使用X， 我们也可以使用X[:] = X + Y或X += Y来减少操作的内存开销。

　　运行结果：

　　注：如果没有安装pandas，只需取消对以下行的注释来安装pandas

　　运行结果：

　　计算结果：

　　计算结果：