Torch常用函数随记

torch.ones(*sizes, out=None):

返回一个全为1的张量，形状由可变参数sizes定义

true_w, true_b = torch.ones((num_inputs, 1)) * 0.01, 0.05

torch.zeros(*sizes, out=None):

返回一个全为标量0的张量，形状由可变参数sizes定义

torch.normal(means, std, out=None):

返回一个张量，包含从给定means, std的离散正态分布中抽取随机数，均值和标准差的形状不须匹配，但每个张量的元素个数须相同

1. means(Tensor) - 均值
2. std(Tensor) - 标准差
3. out(Tensor, optional)-可选的输出张量

pytorch的顺序容器torch.nn.Sequential()

使用方式：

# 写法一
net = nn.Sequential(
    nn.Linear(num_inputs, 1)
    # 此处还可以传入其他层
    )

# 写法二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......

# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
          ('linear', nn.Linear(num_inputs, 1))
          # ......
        ]))

1. 方式一：
   这是一个有顺序的容器，将特定神经网络模块按照在传入构造器的顺序依次被添加到计算图中执行。
2. 方式二：
   也可以将以特定神经网络模块为元素的有序字典（OrderedDict）为参数传入。
3. 方式三：
   也可以利用add_module函数将特定的神经网络模块插入到计算图中。add_module函数是神经网络模块的基础类（torch.nn.Module）中的方法，如下描述所示用于将子模块添加到现有模块中。

torch.nn.MSELoss()

求predict和target之间的loss

MSE: Mean Squared Error（平均平方误差，均方误差）
含义：均方误差，是预测值与真实值之差的平方和的平均值，即：

nn.MSELoss()函数新版的只有一个reduction参数。reduction的意思是维度要不要缩减，以及怎么缩减，有三个选项：

1. ‘none’: no reduction will be applied.
2. ‘mean’: the sum of the output will be divided by the number of elements in the output.
3. ‘sum’: the output will be summed.

如果不设置reduction参数，默认是’mean’。

参考：程序实例博客