vinkuan的博客

模型参数的访问通过Module类的parameters()或者named_parameters()方法来访问所有参数（以迭代器的形式返回），后者除了返回参数Tensor外还会返回其名字。 对于使用Sequential类构造的神经网络，我们可以通过方括号[]来访问网络的任一层。 param的类型为torch.nn.parameter.Parameter，其实这是Tensor的子类，和Tensor不同的是如果一个Tensor是Parameter，那么它会自动被添加到模型的参数列表里初始化模型参数P

softmax回归模型softmax回归跟线性回归一样将输入特征与权重做线性叠加。与线性回归的一个主要不同在于，softmax回归的输出值个数等于标签里的类别数。

线性回归输出是一个连续值，因此适用于回归问题。分类问题中模型的最终输出是一个离散值。softmax回归则适用于分类问题。线性回归和softmax回归都是单层神经网络。线性回归的基本要素模型定义，其中其中 $和 是权重（weight），是偏差（bias）,且均为标量，都是模型的参数。模型输出 是线性回归对真实价格的预测或估计。我们通常允许它们之间有一定误差。模型训练：需要通过数据来寻找特定的模型参数值，使模型在数据上的误差尽可能小。这个过程叫作模型训练（model training）训练数据：

1、Tensor的构造Tensors 类似于 NumPy 的 ndarrays ，同时 Tensors 可以使用 GPU 进行计算。from __future__ import print_functionimport torchx = torch.empty((5,3))x# 输出tensor([[9.6429e-39, 9.2755e-39, 9.1837e-39],# 输出 [9.3674e-39, 1.0745e-38, 1.0653e-38],# 输出

有些做法是将anaconda2和anaconda3都安装了，但我觉得没必要，因为anaconda中可以创建新的环境（python2.7和python3.7）并激活就可使用，所有选其一安装即可。1 anaconda环境配置去https://www.anaconda.com/download下载anaconda3，安装时不选择添加path路径，安装完成后，将盘符到Scripts的路径的添加到path环境变量中，可以使用canda命令，并验证anaconda安装环境命令：conda --version