第二周
《Dive-into-DL-PyTorch》 学习记录(P42-P74)
softmax(3)--简洁实现
注意 本文主要记录代码，优化细节，添加注释。 加载数据 import torch from torch import nn from d2l import torch as d2l batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) 初始化参数 # PyTorch不会隐式地调整输入的形状。
softmax(2)--从零实现
注意 本文主要记录代码，优化细节，添加注释。 数据加载 import torch from IPython import display from d2l import torch as d2l batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) 其中load_data_fashion_mnist由
softmax(1)--算法
分类问题与回归问题有明显的区别，本质是连续和离散的区别，比如我想知道某张照片是猫还是狗，如果模型的输出是一个0.9其实不能代表任何事情，难道
线性回归(3)--简洁实现
通过使用深度学习框架来简洁地实现 线性回归(2)–从零实现中 的(线性回归模型)
线性回归(2)--从零实现
使用基础的Tensor以及autograd实现线性回归模型的构建和训练
线性回归(1)--算法
回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。
在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、股票等）、预测住院时间（针对住院病人等）、 预测需求（零售销量等）。 但不是所有的预测都是回归问题。
计算图
为各类神经网络计算提供统一的描述
第一周
《Dive-into-DL-PyTorch》 学习记录(P0-P41)
pytorch反向传播验证
背景 pytorch的反向传播十分方便，对loss 调用backward()就可以，为了更加深刻理解，尝试用一个小例子搞清楚计算的流程，发现跟手