Pytorch入门——两层神经网络（Numpy手写+Pytorch实现）

既然是实战，作为开篇，需要自己明确一下，理论的东西少整，实战就要多写代码。
先上一个重要的方法论吧，具有指导意义，也可用于学习其他技术上面：

1. Pytorch入门

简单总结一些常用的一些操作吧，只是一个非常浅显总结，还需要平时多加使用。

```1.tensor初始化```
x = torch.empty(5,3) #构造未初始化的tensor
x = torch.rand(5,3) #构造0~1的随机初始化矩阵
x = torch.randn(5,3) #构造均值为0，方差为1的随机初始化矩阵
x = torch.zeros(5,3,dtype=torch.long) #构造全为0，类型为long的矩阵
x = torch.tensor([1,2,3]) #从数据直接构建tensor
x = x.new_ones(5,3,dtype=torch.double) #从已有tensor构建，重用原来的tensor特征，如：数据类型。
x = torch.randn_like(x,dtype=torch.float) #将原来的tensor改造成均值为0，方差为1的新tensor

```2.tensor运算```
x.shape #返回tensor形状，返回一个tuple
a+b #两种加的实现
torch.add(a,b)
note:
 - 任何in-place的运算都以_结尾。如：x.copy_(y),x_t_(),会改变x。
 - y.add_(x)意思：把x加到y上，并替换y。
 - 
```3.类似numpy的操作（indexing、reshape、tensor与numpy的转换）```
x[1:,1:] #各种类似Numpy的indexing都可以在tensor上使用
x = torch.randn(4,4)
x.review(2,8) #2×8，类似numpy的reshape
x.review(-1,8) #按第2维，列数是8
x.review(2,-1) #按第1维，行数是2
x.item() #如果tensor只有一个元素，可以取出
b = torch.from_numpy(a)
```4.CUDA Tensors```
x.to() #tensor可以被移动到别的device上

2. 两层神经网络的实现

2.1 Numpy手写

import numpy as np
#超参数设置
N, x_dim, h_dim, y_dim &