小王同学

多层感知机是一组前向结构的人工神经网络，映射一组输入向量到一组输出向量。除了输入节点，每一个节点都是一个带有非线性激活函数的神经元。多层感知机在输入层和输出层之间添加了一个或者多个隐藏层，并通过激活函数转换隐藏层输出。以下介绍几种激活函数。

为了防止在训练集上过拟合，有两种办法，第一种是扩大训练集数量，但是需要大量的成本；第二种就是应用迁移学习，将源数据学习到的知识迁移到目标数据集，即在把在源数据训练好的参数和模型（除去输出层）直接复制到目标数据集训练。有时候不仅要识别图像的类别，还需要识别图像的位置。在计算机视觉中叫做目标识别或者目标检测。这小节是介绍目标检测的深度学习方法。

"""线性回归模型y=wx+b""""""损失函数0.5*(y_hat-y)^2 预测值y_hat 真实值y""""""小批量随机梯度下降法"""def sgd(params, lr, batch_size): #params是【w】，【b】with torch.no_grad(): #停止对梯度计算和存储，减少内存消耗，不会进行反向传播param.grad.zero_() #清除param的梯度值# nn是神经网络的缩写# nn.Linear设置全连接层，输入张量大小为2，输出张量大小为1。