deep learning with pytorch——10

归一化
Var是计算样本方差的函数
对样本进行分类：
只有20个坏索引项被设置为1！bad_indexes张量的形状与target相同，其值为0或1取决于阈值与原始target张量中的每个元素之间的比较结果：

注意，新的bad_data张量有20行，与bad_index张量中有1的行数相同。它保留了全部11列。
现在，您可以开始获取有关葡萄酒的信息，这些葡萄酒分为好的、中等的和不好的类别。取每列的.mean（）：
对于numpy数组和PyTorch张量，&运算符执行逻辑与运算。

看起来你好像在做什么。乍一看，劣质葡萄酒似乎总二氧化硫含量较高，还有其他差异。你可以用总二氧化硫的阈值作为鉴别好酒和劣酒的粗略标准。现在得到总二氧化硫柱低于你先前计算的中点的指数，比如：

你的门槛意味着一半以上的葡萄酒将是高品质的。
接下来，你需要得到好葡萄酒的指标：

因为你的葡萄酒比你的阈值预测的要多500瓶，你已经有了确凿的证据表明阈值并不完美。

现在你需要看看你的预测与实际排名的吻合程度。在你的预测指数和好的指数之间执行一个逻辑和（记住每个指数是一个0和1的数组），并使用葡萄酒的交集来确定你做得有多好：

你大约有2000瓶葡萄酒！因为你预测了2700种葡萄酒，如果你预测葡萄酒是高质量的，那么有74%的几率存在。不幸的是，你有3200种好酒，其中只有61%被鉴定出来。