.index_select(0, [0, 2])

torch.tensor([2., 3.2])

torch.FloatTensor(2, 3)

Unintialized: 未初始化的tensor

增强学习一般用 DoubleTensor

几何概率：与构成事件的长、面积、体积 成比例；

几何概率特点：基本事件 的无限性（抽象）、等可能性；

古典概型特点：基本事件 的有限性（具象）、等可能性；

t = pd.DataFrame(np.arange(12).reshape(3, 4), index=list("abc"), columns=list("WXYZ"))

del 删除变量

I4

计算机理解图像的信息。模拟人类视觉的优越能力。

类内物体的外观差异。

图表示计算任务，tensor表示张量。

浅拷贝 copy :不拷贝子对象的内容，只拷贝子对象的引用。

深拷贝 deepcopy ：连子对象的内存也全部拷贝一份，对子对象的修改不会影响源对象。

int float 字符串 元组 布尔值

传递参数是不可变对象时，实际也是传递的对对象的引用，但是因为不可变对象不可修改，所以系统创建新的对象。

可变对象：字典、列表、集合、自定义的对象

不可变对象：数字、字符串、元组、function等

可变对象进行更改时，不创建对象拷贝，直接修改这个对象。

函数内的局部变量可以和全局变量重名，只要不进行global申明，就是局部变量。

打印输出全部的局部变量 print(locals())

打印输出全部的全局变量 print(globals())

推导式

1、列表推导式

>>>[x for x in range(1,5)]

[1,2,3,4]

>>>[x for x in range(1,20) if(x%5==0)]

2、字典推导式

{key：value for 表达式 in 迭代对象}

3、集合推导式

{key  for 表达式 in 迭代对象}

4、生成器推导式 生成元组

一个生成器只能运行一次。

集合添加元素

a.add()

set()变成集合

remove()删除

字典是散列表  稀疏数组总有空白元素

数组每个单元就是一个bucket：2个部分 键对象引用和值对象引用

字典元素的增加

键已经存在，覆盖旧的，不存在就增新的

直接添加a['address']='haidian'

2、updata()直接将新字典中的所有键值对全部添加到旧字典对象上  a.update(b)

3、元素删除 del(a[name])

pop()删除指定键值对 b=pop()

字典：包含键和值

可以直接访问键获取值 a['name']

可以通过get获得

a,get('name')

获取所有键值对 a.items()

列出所有的键 a.keys()

列出所有的值 a.values()

键值对的个数 len()

检测一个键是否在字典中 "name" in a

1、a={'name':'gaoqi','age','18'}

a['name']=gaoqi

键不可可变 不可重复

2、a=dict(name='gaoqi',age='18')

a=dict([("name","gaoqi"),("age","18")])

3、zip()

k=['name','age']

v=['gaoqi','18']

d=dict(zip(k,v))

a=[

       ["高小一"，18，3000，“北京”]

       ["高小二"，18，3000，“上海”]

     ]

a.sort()

id(a)

import random

a.random.shuffle

max(a)

min(a)

sum(a)