深度学习PyTorch版学习笔记与心得（一）

先说一下自己的情况：

      二战等成绩ing，总的来说，对自己的成绩还算有点信心吧，考的是东北地区某211的计算机。要是按往年的话，成绩应该早就公布了，谁知今年疫情来的有点突然，导致初试成绩推迟公布。因此，为了复试和找工作两手考虑，准备在家（因为疫情原因也只能在家了）学点技术，希望可以用得上。选择学习深度学习技术是因为现在深度学习比较热门嘛，而且研究生导师都比较青睐了解这方面技术的学生。

      我是跟着网课学的，因此先按照课程的目录来整理自己的笔记

线性回归

      说实话这节课我听的一脸懵逼，感觉深度学习这么高大上的技术，第一堂课应该来点名词解释背景介绍啥的吧，结果一上的知识点让我打消了走神的念头。虽然是科班出身，但是对深度学习始终没系统地学习过，理解还是起来有点难度的。

      不好意思，又说了一大堆废话，让我们开始进入正题：

• 线性回归的基本要素

1. 模型：将问题简化为一个数学模型
2. 数据集：收集的一系列真实数据
3. 损失函数：在模型训练中，我们需要衡量价格预测值与真实值之间的误差。
4. 优化函数：

• 矢量计算

      在模型训练或预测时，我们常常会同时处理多个数据样本并用到矢量计算。

      线性回归用pytorch的简洁实现：

import torch
from torch import nn
import numpy as np
torch.manual_seed(1)

print(torch.__version__)
torch.set_default_tensor_type('torch.FloatTensor')

softmax和分类模型

• softmax的基本概念

      这个概念与线性回归一样抽象，像是数学专业术语，不过也对，深度学习技术肯定与数学有着密切的联系，通过学习知道，softmax回归同线性回归一样，也是一个单层神经网络。

• 如何获取Fashion-MNIST数据集和读取数据

      图像分类数据集中最常用的是手写数字识别数据集MNIST[1]。但大部分模型在MNIST上的分类精度都超过了95%。为了更直观地观察算法之间的差异，我们将使用一个图像内容更加复杂的数据集Fashion-MNIST[2]。

• 使用pytorch重新实现softmax回归模型

# 加载各种包或者模块
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l

print(torch.__version__)
#初始化参数和获取数据
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

      好啦，本次学习就到这里了，虽然有很多地方还是似懂非懂，但是相信坚持下去就会有收获的，加油！！