csdn_xmj的博客

官方链接：Learning PyTorch with Examples — PyTorch Tutorials 1.10.1+cu102 documentationAuthor:Justin JohnsonNOTEThis is one of our older PyTorch tutorials. You can view our latest beginner content in Learn the Basics.

现在来看第5讲：用pytorch实现线性回归。主要会介绍nn.Module，如何构造自己的神经网络；如何构造loss函数；以及如何构造sgd优化器。0 Revision回顾之前的课程，解决问题的步骤是构造模型；损失函数；优化器。1 PyTorch Fashion1.1 pytorch版本流程1.2 Example1.2.1 Linear Regression-1.prepare dataset在这个数据集要使用mini-batch的风格，因为只有3个数据，所以都放进去。模

结下来第4讲：back propagation。这是神经网络比较重要的一个算法。关于反向传播的详细理论推荐吴恩达老师讲解：1-3 Coursera吴恩达《神经网络与深度学习》第三周课程笔记-浅层神经网络的3.10小结。0 Computer gradient in simple network回归上一讲的线性模型，看成一个比较简单的神经网络。1 What about the complicated network?对于复杂的神经网络，权重w有很多个，写具体的梯度解析式看着是几乎

回忆上一讲：构建学习系统，针对我们数据集，选择了最简化的线性模型y = x*w，然后使用穷举法搜索w。但是如果纬度多起来，这个方法不太可行。那我们可以考虑分治法。分治算法比如要搜索100个点，我先把横纵坐标分成4份，先取16个点，看那一个点得到的值最接近真实值，然后在该点所在区域划分区域继续取值。但是对于非凸函数来讲，这样容易错过比较好的解。所以观察法和分治法的缺陷都比较明显，而且对于高纬度的数据集执行起来比较困难。Optimization Problem我们把

这0 前言一般而言，处理问题的步骤是：①准备数据集②模型选择设计③训练（大部分模型都需要训练，KNN不需要训练（因为推理时间长，就看新的样本跟数据集里哪一个数据特征最接近，根据训练样本决定它的类别））④应用推理一般拿到数据集，我们将其分成两个部分，训练集和测试集最简单的training方法就是人眼判断。1 Machine learning1.1 问题分析我们要面对的问题如下图：x是学生每周学习的时间，y是期末考试的分数。给出y的数据是training时

关于pytorch深度学习框架的学习，课程名称《PyTorch深度学习实践概论》，视频来源B站up主“刘二大人”。课程封面1首页1 前言深度学习框架学习的实践课程。第一讲介绍深度学习的概况，明确这是一个实践课，不会讲太多的数学知识，主要是讲怎么做出来。PyTorch版本：0.4，目前最新1.10，跟着课程可以用1.0,1.2,1.5的应该也行（重点：要会看文档）大学学的课程总不是最新的（有的说法说高校课程落后于企业的实际需求，其实不是这样），最主要的原因是任何一项技术的发展曲线会

最近又碰到了tensorflow和keras版本对应问题，于是就查阅文档的网址List of Available Environments - FloydHub Documentation，把对应的tensorflow+keras+python版本汇总一下，方便之后查阅。以下是FloydHub支持的深度学习环境列表。其中任何一个都可以在floyd的run命令中使用--env选项指定。如果没有提供--env选项，则默认使用tensorFlow -1.9镜像，该镜像和提前装好的Python 3.6、Ke