import csv

with open('dd.csv','r') as f:

    a_csv=csv.reader(f)

    print(list(a_csv))

with open('ee.csv','w')as f:

    b_csv=csv.writer(f)

    b_csv.writerow(['ID','name','age'])

常见函数的梯度

满足上述条件的函数叫做凸函数，不管从哪个方向都能找到全局最优解

容易出现的问题：

（1）有可能会遇到局部最优解

（2）saddle point出现鞍点，在一个自变量上的偏微分取得极大值，在另一个自变量上取极小值

优化梯度下降法来找到全局最优解的因素：

（1）初始状态；

（2）学习率；

（3）momentum——如何逃离局部最小值

什么叫梯度

导数——反映的是随着x的变化，y的变化趋势

偏微分——指定了自变量的方向上，因变量在某个自变量方向上的变化趋势

梯度——把所有的偏微分看做向量

1、行注释：# 这是一行可以编辑中文的备注

2、断注释：三个英文状态下的引号，两行之间可以编辑中文的备注

"""

。。。

。。。

。。。

。。。

"""

1、保存：ctrl+s     随时保存，养成习惯

2、tab键：默认四个空格

3、注释：#   养成习惯，方便自己，方便他人

4、行连接符（代码太长需要分行时用）：\ 

     仅仅是分行用的，代码内容没有断

字符串的格式化

format()

填充与对齐

数字格式化

小数f 整数d

常用的查找方法

len

a.startswith('wo')是以wo开头的吗

a.endswith('wo')是以wo结尾的吗

a.find('wo')第一次出现wo的位置

a.rfind('wo')最后一次出现wo的位置

a.count('wo')wo出现了几次

a.isalnum()所有字符全是字母或数字   返回布尔值

去除首尾信息

strip()

大小写转换

a.capitalize()产生新的字符串，首字母大写

a.title()产生新的字符串，每个单词都首字母大写

a.upper()产生新的字符串，所有字符全转成大写

a.lower()产生新的字符串，所有字符全转成小写

a.swapcase()产生新的字符串，所有字母大小写转换

格式排版

center（）、ljust（）、rjust（）

字符串驻留机制

字符串比较

==

！=

is

成员操作符

in 

not in

split（）分割   join（）合并

a.split()把空格作为分隔符

a.split('be')把be最为分隔符

join()

a=['sxt','sxt100','sxt200']列表

'*'.join(a)

'sxt*sxt100*sxt200'

涉及到性能时一般用join（不生成新的对象）

append加元素

字符串切片slice操作

截取字符串

[:]提取整个字符串

[start:]从start-1开始直到最后

[:end]从头又开始直到end-1

包含开头不包含结尾

[start:end:step]

其他操作：

step=-1，从后往前反向提取

str()实现数字转型字符串

使用[]提取字符

replace实现字符串的替换

a=a.replace('c','gao')把c变成gao

转义字符

\续行符

\\反斜杠

\'单引号

\"双引号

\b退格

\n换行

\t横向制表符

\r回车

字符串的拼接

+

b=‘sxt''gaoqi’

形成新的对象

从控制台读取字符串

nyname=input‘请输入你的名字：’

请输入你的名字：

python的字符串是不可变的

字符串的编码：Unicode

ord（）字符转换为数字

chr（）数字转换为字符

多行 三个单引号

空格 

len（）查字符串chang'du

dim、keepdim

当我们指定维度之后返回的最大值和最小值，会自动消减一个维度，如果对一个二维数组取最大值之后，还想保持它的维度是两个，那么我们可以设置keepdim=True

统计属性

常见的统计属性：
norm——范数

注意：norm不等于normalize（正则化）

vector norm 不等同于 matrix norm

（1）第一范数

（2）第二范数

mean——均值

sum——求和

max——最大值

min——最小值

argmin——最小值的位置

argmax——最大值的位置

kthvalue——第几个的数值和位置

topk——top几的位置和数值

二维以上的tensor matul

matmu完成二维以上的矩阵相乘运算，但事实上，我们实际运算的也是最后两个维度的数值

近似值

floor（）取小

ceil（）取大

round（）四舍五入

trunc（）取整数

frac（）取小数

裁剪——clamp

打印参数w的梯度：w.grad.norm(2)

torch里面的clamp类似于numpy里面的climp把数值范围进行裁剪 

数学运算

（1）加减乘除

（2）矩阵相乘 matmul 是按照矩阵的方式相乘

·Torch.mm（只适用于二维矩阵，不建议使用）

·Torch.matmul

·@

一个案例

stack和cat的区别

cat在指定维度上可以值不同，但是stack在指定维度上的值必须相同

拼接和拆分

cat