pytorch深度学习中包括哪些数据预处理，如何设计神经网络模型，一看就懂系列

1，pandas.get_dummies （独热编码），将英文的数据编码为数据格式
2，对于目标识别的数据打上标签
3，在特征数据中曲调标签
4，数据进行标准化，用sklearn的preprocession模块,收敛的速度更快，收敛的损失值更小
5，怎么基于损失值，计算我们的参数呢，需要反向传播一下，同时用优化器更新一下参数
如何设计一个神经网络模型？
a.如果初始的特征数据维度：[348, 14]
b.把当前输入转换为隐藏特征，用多少个神经元来表示呢，假设用128个神经元,那么我们隐藏层的权重矩阵w1应该是[14，128]的矩阵，把我们14个输入特征转换为128个隐藏特征
c.偏执参数b1，和结果挂钩，需要对128个结果进行进行偏执，得到128个结果
d.回归人物要得到一个值w2，的矩阵维度[128,1]
e.b2也是根据结果进行调整，那么应该是1，
具体例子，参考我的温度预测模型的开发中的实例代码
f.需要注意的是：
hidden = x.mm(weights)+biase #mm是矩阵乘法
nn.functional 功能用于不带参数的一些函数功能，例如损失函数，激活函数
nn.moduel 用于带参数的函数功能，例如权重和偏置
实际案例：
我们现在需要根据气温训练集中，除了actual作为标签的这一列以外的数据进行训练，得出NN预测模型的所有参数。可以看到训练集的数据中，week这一列包含字符串而不是如