伯禹ElitesAI·动手学深度学习PyTorch版——task01

一、优化函数 - 随机梯度下降在深度学习中的应用——小批量随机梯度下降

1. 模型参数初始化——如随机选择
2. 随机均匀采样小批量样本
3. 用小样本训练平均损失函数，同时求梯度（求偏导）
4. 用梯度结果*学习率与模型参数相减得到新的参数
5. $$(\mathbf{w},b)\leftarrow (\mathbf{w},b)-\frac{\eta }{|\mathcal{B}|}\sum _{i\in \mathcal{B}}{\partial }_{(\mathbf{w},b)}{l}^{(i)}(\mathbf{w},b)$$
6. 学习率: $\eta$代表在每次优化中，能够学习的步长的大小
7. 批量大小: $\mathcal{B}$是小批量计算中的批量大小batch size

二、未知代码学习

import torch
torch.tensor() #tensor用于生成新的张量，张量概念是矢量概念的推广，矢量是一阶张量。
torch.tensor(np.random.normal(0, 0.01, (num_inputs, 1)), dtype=torch.float32) #二行一列的随机标准正态分布张量
index_select(0, j) #从第0维中挑选j位置上的数据
w.requires_grad_(requires_grad=True) #将权重w改成节点可导
torch.mm(a,b) #torch.mm(a, b)是矩阵a和b矩阵相乘
l.backward()  #对损失函数求导
####################################################
#调用父类说明
class LinearNet(nn.Module):
    def __init__(self, num_inputs, num_outputs):
        #nn.Module是一个类是LinearNet的父类，super(LinearNet, self)将类LinearNet的对象转成nn.Module的对象，也就是说nn.Module的方法和属性，LinearNet也能用，
        #.__init__() 开始构造属性和方法
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(num_inputs, num_outputs)
    def forward(self, x): # x 的形状: (batch, 1, 28, 28)
        y = self.linear(x.view(x.shape[0], -1)) #将输出压缩成(batch,1*28*28)
        return y
##################################
x_vals.detach().numpy() #detach()相当于复制，但是不能赋予梯度计算，再用numpy()将tensor类型转成numpy.ndarray矩阵

三、课后习题反思纠错

1. 7是batch_size（批量大小）是每次取出的样本量；
2. 8是num_outputs，是输入层单元数，相当于样本的属性数，也就是说每次给8个输入层单元喂入8个属性值，喂7次
3. 1是输出层单元数（或者隐藏层单元数），输出层（隐藏层）形状是该层前面的神经数
4. 线性层的权重参数w的形状是神经数，特定参数b是与输出层和隐藏层单元数相关
   
5. 若a.shape=[1,2,3,4],a.view(shape[0],-1).shape=[1,24],.view()的作用是shape[0]在的位置保持不变，-1对应其余维度，把其余维度相乘合成一维，也就是压缩维度效果
6. y_hat=net(X, w, b), y)得到的数据shape是[10,1]，也就是10行一列；y的shape是[10],也就是一维，y_hat的大小和y是不一样的
7. view()具体效果看下图
   直接手算进行约分就行，e^100太大了，电脑无法计算出具体值，划为inf，无法进行计算

这个多层感知机为输入层单元数|隐藏层单元数|输出层单元数：

1. 输入层和隐藏层，隐藏层和输出层之间各有一个权重矩阵，两个权重矩阵之间的关系是加法关系。
2. 邻近两层之间的每条神经搭载一个权重，因此一个权重矩阵元素数是邻近两层单元数相乘