目录
一、实验目的
二、实验准备
三、实验内容
1. 数据操作
2. 数据预处理
3. 线性代数
4. 微积分
5. 自动微分
四、实验心得
一、实验目的
（1）正确理解深度学习所需的数学知识；
（2）学习一些关于数据的实用技能，包括存储、操作和预处理数据；
（3）能够完成各种数据操作，存储和操作数据；
（4）PyTorch基础，完成《动⼿学深度学习》预备知识2.1-2.5节的课后练习。
二、实验准备
（1）根据GPU安装pytorch版本实现GPU运行实验代码；
（2）配置环境用来运行 Python、Jupyter Notebook和相关库等相关库。
三、实验内容
启动jupyter notebook，使用新增的pytorch环境新建ipynb文件，为了检查环境配置是否合理，输入import torch以及torch.cuda.is_available() ，若返回TRUE则说明实验环境配置正确，若返回False但可以正确导入torch则说明pytorch配置成功，但实验运行是在CPU进行的，结果如下：
图1-1
1. 数据操作
（1）使用jupyter notebook新增的pytorch环境新建ipynb文件，完成基本数据操作的实验代码与练习结果如下：
图1-2
图1-3
图1-4
图1-5
练习1：
图1-6
2. 数据预处理
（1）完成数据预处理的实验代码及练习内容如下：
图1-7
图1-8
练习2：
图1-9
图1-10
3. 线性代数
（1）完成线性代数的实验代码及练习结果如下：
图1-11
图1-12
图1-13
图1-14
练习3：
图1-15
图1-16
4. 微积分
（1）完成微积分的实验代码及练习结果如下：
图1-17
练习4：
图1-18
图1-19
5. 自动微分
（1）完成自动微分的实验代码及练习结果如下：
图1-20
练习5：
图1-21
图1-22
图1-23
四、实验心得
通过这次实验，我对深度学习的数据处理知识有了更深入的了解。尽管在安装PyTorch的过程中遇到了一些问题（由于conda默认安装了CPU版本的PyTorch），但在删除numpy库后成功地安装了GPU版本的PyTorch。并且我对以下内容有了更深刻的理解：
1.张量（n维数组）是深度学习存储和操作数据的主要接口。它提供了广泛的功能，包括基本数学运算、广播、索引、切片，还可以实现内存节省和转换其他Python对象。
2.pandas是Python中常用的数据分析工具之一，它与张量兼容，为数据处理提供了便利。
3.在处理缺失数据时，pandas提供了多种方法，根据情况可以选择插值法或删除法进行处理。
4.标量、向量、矩阵和张量是线性代数中的基本数学对象。
5.向量是标量的推广，矩阵是向量的推广。
6.标量、向量、矩阵和张量分别具有零、一、二和任意数量的轴。
7.通过使用sum和mean等操作，可以沿指定的轴降低张量的维度。
8.两个矩阵的按元素乘法被称为Hadamard积，与矩阵乘法不同。
9.在深度学习中，常常使用范数，如L1范数、L2范数和Frobenius范数。
10.微分和积分是微积分的两个分支，其中微分在深度学习的优化问题中得到了广泛应用。
11.导数可以被理解为函数相对于其变量的瞬时变化率，同时是函数曲线的切线斜率。
12.梯度是一个向量，其分量是多变量函数相对于所有变量的偏导数。
13.链式法则可以用于求解复合函数的导数。
14.深度学习框架能够自动计算导数：首先将梯度附加到需要计算偏导数的变量上，然后记录目标值的计算过程，执行反向传播函数，并获得相应的梯度。
