你好，时光的博客

文章目录1.非线性回归1.1激活函数1.2人工神经网络2.逻辑回归 上节看点： 线性回归 1.非线性回归 在生活中大多数的现象都不是线性的，而且更加复杂的曲线或曲面，我们拟合的函数也就不再是直线或者平面。在处理这种非线性的问题方面，人工神经网络发挥了重大的作用。 1.1激活函数 在线性模型中忽略了激活函数的存在，而激活函数的作用是为了让神经网络能够更好的去拟合复杂的函数。 常用的激活函数有：sigmoid、tanh、ReLU、Maxout等，以ReLU为例进行讲解 它的函数表达式为： 图像为： Pyt

2. 线性回归 将线性回归作为深度学习第一个入门的模型，让我们一起来实现吧！ 因为要用到画图，数据制图，所以需要安装matplotlip，使用pip或者anaconda安装都可以。 pip install matplotlib 我们可以利用**scatter( )**方法制作散点图，但是需要注意，使用matplotlib制图时，**传入的Tensor数据格式必须转换成Numpy格式的数据。**示例如下： import torch import matplotlib.pyplot as plt #数据 x=

Tensor基础 1. Tensor Tensor又叫做张量，实际上标量、向量和矩阵都是张量。只是标量是0维张量，向量是一维张量，矩阵是二维张量，除此以外，张量还可以向更高维度扩展，四维五维等等。 张量的创建方法 首先需要导入torch的包，使用**torch.Tensor( )**函数创建,传入的参数（2,4）是构造一个2*4的矩阵 import torch x = torch.Tensor(2,4) 使用**torch.DoubleTensor( )**函数创建一个234的64位浮点数 y =