m0_50292871的博客

1.6 概率论"""首先要导入相关的程序包需先导包pip install d2l==0.14"""# Commented out IPython magic to ensure Python compatibility.# %matplotlib inlineimport torchfrom torch.distributions import multinomialfrom d2l import torch as d2l"""1.5.1基本概率论概率论就是指某件事发生的概率的计算

1.5 自动微分"""1.5.1 一个简单的例子求导是深度学习优化算法的关键步骤，因此自动微分可以大大简化深度学习的计算步骤从很小的例子来看，y=2x^⊤x，若想对y求导，就可以借助pythorch的相关函数"""import torchx = torch.arange(5.0)print(x)"""接下来要计算y关于x的梯度，自然需要有地方来存储这些计算出来的梯度"""x.requires_grad_(True) #这也可以在定义x的时候完成：torch.arange(4.

1.4 微积分"""1.4.1 导数和微分导数与微分的定义：导数：导数被定义为一个极限，其几何意义是曲线变化率。 导数值是一个常数，是一个常量。 开区间内的导数值集合起来，就成为导函数。 微分：微分是函数的局部线性近似，就是一个线性函数，局部看起来很接近原函数，导数是这个线性函数的系数。式中用3x^2-4x来进行代码说明"""# Commented out IPython magic to ensure Python compatibility.!pip install d2l=

1.3 线性代数基础"""1.3.1 标量标量指单纯的数值，该数值没有任何其他类似方向的性质，例如温度就是一个标量在数学表示法中，标量用小写字母表示，这里也均遵循该表示法。同时，我们用 R （特殊的数学表示法，并非单纯字母R）表示所有（连续）实数标量的空间。现在你只要记住表达式 x∈R 是表示 x 是一个实值标量的正式形式，在未来的内容中会严格定义 R 。"""import torch#这里就展示一下标量之间的加减乘除操作x = torch.tensor(5.0)y = torch.

"""1.2.1 读取数据集这里通过新建路径与文件 并输入内容来进行介绍"""import osos.makedirs(os.path.join('..','data'),exist_ok = True) #这一步是创建路径../datadata_file = os.path.join('..','data','house_tiny.csv') #这一步里，我们创建house_tiny.csv文件with open(data_file,'w') as f: f.write('Num.

1.1 数据操作1.1.1 入门操作 首先，我们要理解什么是**tensor**，如何创建tensor，如何查询tensor的各种属性，同时tensor又可以做什么事情。 tensor译为张量，在数学意义上，这是一个n维数组，也可以理解为矩阵。"""import torch#创建一个tensor --即为张量x = torch.arange(12) #这是创建一个有12个元素的tensor，从0开始到11（按序）print(x)#查询tensor的形状print(