深度学习代码构建

1. pytorch学习

tensor 张量

1. Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。是深度学习计算的基础。
   tensor的介绍链接：https://www.jianshu.com/p/314b6cfce1c3

Pytorch-Geometric 入门教程

torch-Geometric用于构图，
学习链接：https://zhuanlan.zhihu.com/p/142948273

2. Numpy学习

3. Pandas学习

3.1 Pandas基本情况

pandas的数据结构有三种 分别为 series，dataframe和panel，对应一维，二维(df_date)，三维数据。
二维df_data = pd.DataFrame(data)

3.1 读取csv文件

案例解读：
sru_data = pd.read_csv('D:\SRU_data.txt',header=None, skiprows=1).iloc[:,0].apply(lambda x: pd.Series(x.split()))

• 'D:\SRU_data.txt'内为原始文件地址，此处可以是各种格式，比如本地/url之类的。

• header为表头，详解见链接。

• skiprows=1：即跳过第一行。
  pd.read_csv()属性解读链接：https://zhuanlan.zhihu.com/p/340441922

• .iloc[:,0]：切片，提取第一列。.iloc[a:b , c:d]即提取文件中的（a,b]行和（c,d]列的数据。

• .iloc[]以位置为依据进行索引，.loc[]以索引值(标签)为依据进行索引。详见链接。
  参考链接：https://blog.csdn.net/W_weiying/article/details/81411257
  .iloc[]在n维数组中的应用：https://blog.csdn.net/Together_CZ/article/details/79593952
  .iloc[], .loc[]的区别：https://blog.csdn.net/lilong117194/article/details/82499329

• .apply()对一维向量进行处理，经常与lambda进行搭配使用。此处是对前面提取的第一列进行处理。

• lambda x：输入是传入到参数列表x的值(即刚才切片的第一列)，输出是根据表达式计算得到的值。
  比如：lambda x, y: xy 函数输入是x和y，输出是它们的积xy。lambda x: pd.Series(x.split())此处是对原始列进行分割处理。

3. Keras学习

• Sequential()方法是一个容器，描述了神经网络的网络结构，在Sequential()的输入参数中描述从输入层到输出层的网络结构
• layers.Dense()：Dense层实际上是全连接层(full connected)。dense层目的是将前面所提取的特征做非线性变换，提取这些特征之间的关联，按照 需求维度 映射到输出空间。
  参数/运用 详解链接：https://blog.csdn.net/weixin_44551646/article/details/112911215
• model.compile()：常用参数为：optimizer优化器，用于控制梯度裁剪.必选项。loss：损失函数（或称目标函数、优化评分函数）,必选项。
  metrics：评价函数用于评估当前训练模型的性能。当模型编译后（compile），评价函数应该作为 metrics 的参数来输入。评价函数和损失函数相似，只不过评价函数的结果不会用于训练过程中。
  属性详细介绍链接：https://blog.csdn.net/huang1024rui/article/details/120055487
• model.fit()：对模型进行训练，形参众多。模型搭建完成后，由此行代码开启训练。其返回结果是history对象，说明如下：
  形参详细介绍：https://blog.csdn.net/qq_38081870/article/details/103512064
• model.history()：history对象是一个字典，其中以键值对的形式储存了计算结果。通常包含val_loss,val_acc,loss,acc等四个key值。
  详细属性介绍如下：https://blog.csdn.net/nima1994/article/details/79947407

4. Tensorflow学习