DAOCHI

2.7 文档（Pytorch）  由于本书篇幅的限制，我们不可能介绍每一个单独的【PyTorch】函数和类。API文档，其他教程和示例提供了许多本书之外的文档。在本节中，我们将为您提供一些探索【PyTorch API】的指导。2.7.1 查找模块中的所有函数和类  为了知道模块中可以调用哪些函数和类，我们调用了【dir】函数。例如，我们可以查询模块中用于生成随机数的所有属性：import torchprint(dir(torch.distributions))# 输出如下['AbsTran

2.6 概率论  在某种形式下，机器学习就是关于预测的。根据病人的临床病史，我们可能想要预测病人明年心脏病发作的概率。在异常检测，我们可能想要评估一下，如果飞机的喷气发动机正常工作的话，它的一系列读数可能性有多大。在强化学习中，我们希望代理人（agent）在一个环境中智能地行动。这意味着我们需要考虑在每个行动下获得高回报的可能性。当我们建立推荐系统时，我们也需要考虑概率。例如，假设我们为一家大型网上书店工作。我们可能需要估计特定用户购买特定书籍的概率。为此，我们需要使用概率的语言。整个课程、专业、论文、职

2.5 自动微分  正如 【2.4 微积分】所说，微分是深度学习中几乎所有最优化算法的关键步骤。虽然求这些导数的计算过程很简单，只需要一些基本的微积分知识。但对于复杂的模型，手工计算参数的更新可能很痛苦(而且经常容易出错)。深度学习框架通过自动计算导数加快了这一工作，即自动微分（Automatic Differentiation）。在实践中，基于我们设计的模型，系统构建了一个计算图，跟踪哪些数据结合哪些操作进而产生输出。自动微分使系统能够反向传播梯度。在这里，反向传播只是意味着跟踪整个计算图，填充关于每个

2.4 微积分  直到至少2500年前，发现多边形的面积一直是个谜，直到古希腊人将一个多边形分割成多个三角形，并将这些三角形的面积相加，才得出多边形的面积。

Pytorch中的线性代数基础

2.2. 数据预处理  到目前为止，我们已经介绍了一些数据操作的技术，它们都被存为张量格式。为了应用深度学习解决现实世界的问题，我们需要处理原始数据，而不是被很好的存于张量之中的数据。在 Python 中流行的数据分析工具中，pandas 包是最常用的。像 Python 庞大的生态系统中的许多其他扩展包一样，pandas 可以处理张量数据。因此，我们将简要地介绍使用 pandas 预处理原始数据并将其转换为张量格式的步骤。我们将在后面的章节中介绍更多的数据预处理技术。2.2.1. 读取数据集作为一个.

2.1 数据操作  为了完成任何事情，我们需要某种方式来存储和操作数据。一般来说，我们需要对数据做两件重要的事情：（i）获取数据；（ii）一旦它们进入计算机就进行处理。如果没有存储数据的方法，那么获取数据就没有意义，所以让我们先尝试一下合成数据。首先，我们引入n维数组，也叫张量（tensor）。  如果你曾经用过这个在Python中广泛使用的科学计算包，Numpy，那么你对本章节比较熟悉。不管使用哪个框架，它的张量类(MXNet中的ndarray, PyTorch和TensorFlow中的张量)都与Nu

该专栏主要是翻译了官方的动手学习深度学习。。。。。

1、系统环境  Window，Ubuntu系统安装，软件安装等， 待更新。。。。2、 基础软件  对于基于 Python 的开发环境，我基本是用 Anaconda+Pycharm（或者VSCode）的软件组合，其中 Anaconda 作为 Python 软件包管理软件， Anaconda+Pycharm（或者VSCode）作为 Python 集成开发软件。注意，本篇博文主要介绍深度学习开发环境的安装和配置，能够基本满足深度学习的开发需求。至于软件本身的一些其它功能，不是本博文的主要目标。无论是新手小白

前言一些建议：如果是机器学习刚刚入门，或者对机器学习的发展历史不是很熟悉的同学，可以认真读读本文。参考项目：李沐的书籍《动手学习深度学习》，第二版。英文原文链接：https://d2l.ai/chapter_introduction/index.html#unsupervised-and-self-supervised-learning1. 简介  直到最近，几乎我们接触到的每一个计算机程序都是软件开发人员根据第一性原理（First Principles）编写而成。比如，我们想编写一个应用程序