deep learning with pytorch——9

区间值、序数值和分类值：
1.第一种是连续值。如果你用单位来计算或测量某物，这个值可能是一个连续的值。
2.接下来是序数值。连续值的严格顺序仍然存在，但值之间的固定关系不再适用。
3.最后，分类值既没有顺序也没有数字意义。只需要不同的值来区分它们。

选择除最后一行外的所有行和列。
选择所有行和的最后一列。
如果要转换标签张量中的目标张量，则有两个选项，具体取决于策略或使用分类数据的方式。一种选择是将标签视为分数的整数向量：

如果目标是字符串标签（如葡萄酒颜色），则为每个字符串指定一个整数
另一种方法是建立分数的一个热编码，也就是说，将10个分数中的每一个编码成10个元素的向量，所有元素都设置为0，但每个分数有一个不同的索引。这样，得分1可以映射到向量（1,0,0,0,0,0,0,0,0,0,0,0,0），得分5到（0,0,0,1,0,0,0,0,0,0）等等。
通过使用scatter_u方法可以实现一种热编码，该方法使用源张量中的值沿作为参数提供的索引填充张量。
、scatter的功能。首先，注意它的名字以下划线结尾。PyTorch中的这个约定表明该方法不会返回新的张量，而是在适当的位置修改张量。scatter的理由是：
scatter的第二个参数，索引张量，需要与你所分散到的张量具有相同的维数。由于target_onehot有两个维度（4898x10），您需要使用unsqueze向target添加一个额外的虚拟维度：
PyTorch允许您在训练神经网络时直接使用类索引作为目标。但是，如果你想把分数作为网络的分类输入，你就必须把它转换成一个热编码的张量。
现在回到数据张量，包含11个与化学分析相关的变量。可以使用PyTorch Tensor API中的函数以张量形式操作数据。首先，获得每列的平均值和标准偏差：

在这种情况下，dim=0表示沿尺寸0进行缩减。此时，您可以通过减去平均值并除以标准差来规范化数据，这有助于学习过程。

pytorch with deep