Hantou_crazy的博客

先处理原图，然后输入到模型中进行学习，最后对对于每个类，输出一个数字显然这里给出的结果不是对应的概率，这就需要对原始的Loss进行处理在上面面的例子中，y的变换公式为，显然这样就把原来数值之间的差距拉大了，得到了需要的输出结果上面公式规范表述为yieyi∑j1CeyjwhereCe^{y_i}}{y​i​∑j1C​eyj​eyi​​whereC。

然后我们先随机的选定一系列参数，然后把参数和x带入神秘公式，计算出预测值y^将y与实际y相聚越远，loss显然越大，所以我们可以通过loss来评价一个模型的好坏光知道这模型不准还没用，我们需要让预测值越来越接近，具体来说，就要使用来将误差反馈给参数w在这循环往复的过程中，实现了机器的自主学习（额额。。参数不调好，也会越学越垃圾的，就像人学新知识也常常伴随踩雷和反复）

pred_y = torch.matmul(x, w) + b # 计算预测值 y = x * w + b是一个线性模型，形式为，其中x是输入特征，w是权重，b是偏置。return torch.sum(abs(pre_y - y)) / len(y) # 计算平均绝对误差 (MAE)maeLoss是平均绝对误差（Mean Absolute Error, MAE），它计算预测值pre_y和真实值y之间的绝对误差的平均值。，其中n是样本数量。