python机器学习入门之pytorch（2020年寒假第一周）

1. Anaconda的使用：
   （安装好anaconda后，在pycharm中选择anaconda根目录里面的python.exe，在cmd 或者Anaconda Prompt中执行以下操作）（后来才知道也可以用anaconda navigator软 件进行操作，这样操作更加直观一点）
   (1) 查看当前环境下安装的包 ：conda list
   (2) 查看所有环境：conda env list
   (3) 切换虚拟环境：conda activate + 环境名
   (4) 添加包：conda install + 包名
   (5) 删除包：conda remove + 包名
   (6) 把当前环境打包：conda env export > + 名字.yaml（可以自己起名）（打包之后的yaml文件在c盘用户文件夹下）
   (7) 复原上一步打包的环境：conda env create -f + 环境名字.yaml（上一步起的名字）
   (8) 升级某个包：conda update + 包名
   (9) 升级当前环境下所有包：conda update --all

2. 梯度下降法的个人理解
   一种求某个函数极值的方法
   先选择一个初始的x值对其使用梯度下降的计算方法
   先对其求导然后导数值乘以学习速率，用x减去这个值作为下一次运算的x值，这样一步步进行计算，x的值就会慢慢的向函数的极值点处x值靠拢
   学习速率：
   在进行计算之前需要设定一个学习速率，如果选择的学习速率越大就能更快速地靠近极值点，反之学习速率越小靠近极值点的速度就更小但是学习速率大的话误差会更大，因为接近极值点时，进行的一次x的变化量 的计算可能会超出，x的值就会超过极值点的x值，下一次计算会再次偏回来一些，在接近 极值点处往复，如果学习速率设定较小，则这个抖动的范围要小一点，即误差值要小一些（个人理解为就像走路，每一步走得远的话不容易确切地走到某一点，再往回走也会容易走过，（前提是不能改变步子大小）小步子走的话会更容易精确地走到某个点）

3. 矩阵的简单运算
   (1) 相加：相应位置的数相加（不是同类型的矩阵不能相加）
   (2) 相减：规则同上
   (3) 乘以某个数：矩阵中的每个数都分别与这个数相乘
   (4) 两矩阵相乘：（相乘前提是一个矩阵的行数要等于另一矩阵的列数）
   设两个矩阵a和b相乘，用a的行乘以b的列，假设结果是c矩阵，则把a的第一行乘b的第一列的值放在c的一行一列，a的第一行乘以b的第二列的值放在c的第一行第二列，a的第一行乘完之后，换用第二行分别与b的每一列相乘，结果放在c的第二行上