PyTorch自用笔记（第一周）

一、深度学习初见

1.1 深度学习框架简介

1.1.1 PyTorch的发展

2002年Torch->2011年Torch7
Lua语言制约了Torch发展
PyTorch于2018.12发布正式版本，采用CAFFE2后端
本教程使用的是2019.5发布的1.1

1.1.2 PyTorch与同类框架

Google：theano -> Tensorflow1 -> Tensorflow2 + Keras
Facebook：Torch7 -> Caffe -> PyTorch + Caffe2
Amazon : MXNet
Microsoft : CNTK
Chainer
tensorflow是静态图优先的而PyTorch是动态图优先的

总结：
对于研究员，推荐使用PyTorch
对于工程师，推荐使用TensorFlow2

二、环境配置

Python 3.7 + Anaconda 5.3.1
CUDA 10.0
Pycharm Community

三、回归问题

3.1 简单回归问题

3.1.1 梯度下降法

loss：x² * sin(x)
导数：2xsinx + x²cosx
x^’ = x - α * f^’(x)
α：学习率，控制梯度下降速度，一般设置为0.0001或0.01
由于噪声的存在，loss可以转化为(W * X + b - y)²的形式，当此loss函数取得极小值时，参数W和b即为所求参数

3.1.2 线性回归、逻辑回归、分类问题

线性回归的结果y∈R
逻辑回归由于加了激活函数的限制，将最终结果限制到了[0, 1]中，变为一个概率问题
分类问题特点：每个结果的概率加起来等于1
回归问题实验代码

import numpy as np


def compute_error_for_line_given_points(b, w, points):
    totalError = 0
    for i in range(0, len(points)):
        x = points[i, 0]
        y = points[i, 1