第一次深度學習

1.PyTorch基本操作練習

1.定義資料

建立一些張量

2.定義操作

凡是用Tensor進行各種運算的，都是Function

最終，還是需要用Tensor來進行計算的，計算無非是

• 基本運算，加減乘除，求冪求餘

• 布林運算，大於小於，最大最小

• 線性運算，矩陣乘法，求模，求行列式

基本運算包括： abs/sqrt/div/exp/fmod/pow ，及一些三角函式 cos/ sin/ asin/ atan2/ cosh，及 ceil/round/floor/trunc 等具體在使用的時候可以百度一下

布林運算包括： gt/lt/ge/le/eq/ne，topk, sort, max/min

線性計算包括：

以下為資料的分佈直方圖。可見當資料足夠多時，正態分佈會體現的非常明顯。

矩陣在兩個維度上的拼接

2.螺紋旋轉案例

本例中的螺旋資料不是線性可分的，所以需要轉換輸入資料的空間使得資料可以線性可分。

首先引入基本的庫，初始化重要引數

初始化 X 和 Y。 X 可以理解為特徵矩陣，Y可以理解為樣本標籤。 結合程式碼可以看到，X的為一個 NxC 行， D 列的矩陣。C 類樣本，每類樣本是 N個，所以是 N*C 行。每個樣本的特徵維度是2，所以是 2列。

在 python 中，呼叫 zeros 類似的函式，第一個引數是 y方向的，即矩陣的行；第二個引數是 x方向的，即矩陣的列。下面結合程式碼看看 3000個樣本的特徵是如何初始化的。

1.構建線性模型分類

使用 print(y_pred.shape) 可以看到模型的預測結果，為[3000, 3]的矩陣。每個樣本的預測結果為3個，儲存在 y_pred 的一行裡。值最大的一個，即為預測該樣本屬於的類別

score, predicted = torch.max(y_pred, 1) 是沿著第二個方向（即X方向）提取最大值。最大的那個值存在 score 中，所在的位置（即第幾列的最大）儲存在 predicted 中。下面程式碼把第10行的情況輸出，供解釋說明

此外，每一次反向傳播前，都要把梯度清零，

2.構建兩層神經網路