《动手学深度学习》学习笔记

《动手学深度学习》学习笔记

数据操作

自动求导

变量设置求导

x = torch.ones(2, 2, requires_grad=True)

获得导数

out.backward()

这里要求因变量为标量，如果为tensor，则需要提供一个与因变量同大小的权重矩阵，通过加权求和所有元素来把输出的因变量变成标量，然后才能backward().
原因也很好理解：因变量之间是没有关系的，所有因变量元素只不过是放到一起，因此可以把他们排列当做一维向量做线性加权到一个标量l上。这样的好处是梯度就和因变量的纬度无关了，之间获得了l与自变量的梯度，不需要管因变量是个什么形状的tensor。

线性回归

梯度下降方法求解参数

上式是可以求解析解的。

也可以通过线性回归的方法通过梯度下降优化待求参数。通常使用小批量随机梯度下降（mini-batch stochastic gradient descent）方法，即小批量计算平均梯度，多批量优化参数。

这里还乘以了一个学习率，相当于梯度下降方法中的step大小，刚开始可以大一点，后面要小一点。

全连接层（稠密层）

线性回归

1. 构建模拟数据，确定输入（features），输入（label），参数
2. 写data loader（把数据拆分成batch）
3. 构建 function (net) , loss 和优化方法
4. 迭代epoch求解
   

线性回归简洁版

1. 数据读取
   

2. 定义自己的function，需要给定参数个数和forward函数。其实是输入与输出之间的函数关系。因此，要给出输入和输出的计算方法，即forward函数。神经网络把这种函数关系用网格结构来代替。
   

3. 用torch的net结构
   

4. 损失
   

5. 优化方法