动手学深度学习（pytorch）2

概率

先抽样

import torch
from torch.distributions import multinomial
from d2l import torch as d2l
fair_probs = torch.ones([6]) / 6
t=multinomial.Multinomial(10, fair_probs).sample()
print(t)

输出为tensor([1., 2., 1., 3., 1., 2.])

搜了一下torch的库，有torch.multinomial和torch.distributions中的multinomial。我粗浅的理解是前者需要我们输入一个向量（带权重），然后返回的是多个不同i（对应每次对向量中第i个元素进行索引），出现次数多概率大。后者输出是另⼀个相同⻓度的向量：它在索引i处的值是采样结果中i出现的次数。
下面是torch.multinomial。

>>>weights = torch.tensor([0, 10, 3, 0], dtype=torch.float) # create a tensor of weights
>>> torch.multinomial(weights, 2)
tensor([1, 2])

整套过程
用到cumsum（注意维数从外到内是0-2编号）
https://blog.csdn.net/banana1006034246/article/details/78841461

import torch
from torch.distributions import multinomial
from d2l import torch as d2l
fair_probs = torch.ones([6]) / 6
counts = multinomial.Multinomial(10, fair_probs).sample((500,))
cum_counts = counts.cumsum(dim=0)
estimates = cum_counts / cum_counts.sum(dim=1, keepdims=True)
d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
label=("P(die=" + str(i + 1) + ")"))
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('Groups of experiments')
d2l.plt.gca().set_ylabel('Estimated probability')
d2l.plt.legend();
d2l.plt.show()

源码给的是%matplotlib inline
在pycharm上报错，就删了，在最后加上d2l.plt.show()

库函数查阅

模块提供了各种⽣成随机数的⽅法，包括从均匀分布（uniform）、正态分布（normal）和多项分布（multinomial）中采样。

怎样看呢？用dir

import torch
print(dir(torch.distributions))

查询特定函数或类，用help

help(torch.ones)

线性神经网络

神经⽹络的整个训练过程，包括：
定义简单的神经⽹络架构、
数据处理、
指定损失函数和如何训练模型

线性回归和softmax回归可以视为线性神经⽹络

线性回归

1 预测的⽬标（⽐如预测房屋价格）称为标签（label）或⽬
标（target）。

2 预测所依据的⾃变量（⾯积和房龄）称为特征（feature）或协变量（covariate）

3 权重和偏置，我一般粗略理解为y=ax+b的a和b
矩阵X每⼀⾏是⼀个样本，每⼀列是⼀种特征
y= Xw + b

4 损失函数（loss function）：量化⽬标的实际值与预测值之间的差距。
【平方误差l(i)(w, b) = 1/2*($yˆ$(i) − y(i))${}^2$】
最小总损失对应的w,b: argmin L(w, b).
（大多数情况下并不能得到w,b的解析解，所以我把导数粗略看成y真实与y估计之差，用它对w,b进行修正）

5 每次需要计算更新的时候随机抽取⼀⼩批样本，这种变体叫做⼩批量随机梯度下降（minibatchstochastic gradient descent）

6 泛化：找到⼀组参数，这组参数能够在我们从未⻅过的数据上实现较低的
损失，这⼀挑战被称为泛化（generalization）

书上涉及具体的定义与概念，就不做详细笔记了。以上是各名词的简要解释（从pdf107页开始。）