深度学习（32、33）

从这节开始是九天老师开始讲解

课程32

讲了一些概念性的东西

课程33

数据集生成函数的创建与使用

手动创建回归数据集

features就是创建的特征矩阵，就是以这个为大小的矩阵，最后那个就是添加噪声，就是标签不是严格的下面的函数对应关系了，会有微小的偏差

 

 

 这里面的subplot的121表示，第一个12表示子图在一行有两个，最后面的1表示下面要绘制的是第几个子图，scatter用来绘制散点图，大规模的话比matplotlib绘图要快，第一个[:,0]就是x1，这两个图就是x1和x2和y的对应关系的图

 

创建数据集的函数

 

假如有截距，那么w的最后一个值就是乘截距的，所以你的特征就会是w的长度减去1，a[:-1]就是把[]里的最后一个元素去除，里面的deg就是幂的次数，为1时候是线性的，此外是非线性的，倒数第二行设置了一个全为1的列是为了更好的进行矩阵的乘法，因为是有bias的

 注的意思就是说没办法创建x1x2这种项的方程

手动创建分类数据集

randn标准正态分布，所以只用输入形状大小就行了

normal前面的4,2表示均值和标准差，大小看后面的size进行定义

 

 

 

 .long是转化为整型，pytorch中分类问题默认的标签都是整型

 

 影响分类问题建模难度看交叉的数据集多不多

 第一行代码就是创建一个空的张量，为了后面可以用full_like这个函数，把自己用的张量按第一行创建的这个进行填充就行

deg_dispersion就是影响数据的离散程度的，数据越大离散程度越好，也就是越好分类，数据越小那么数据都挤在一起了，肯定就不好分类了

惩罚因子的作用就是把上面的不对称分布的值，通过惩罚因子的运算将其变成对称的

 

 

 shuffle可以对有序的集合进行一个乱序的排序

 后面的课程会经常进行创建数据和数据的小批量切分，所以提前进行了定义，并封装称为模块，方便之后的调用，视频后面还解释了代码的含义，然后讲了如何将这些函数封装称为模块，由于本人的项目需求在这部分来说不是很大，所以暂时不作更多的记录，以后用到这部分的内容，会根据课程内容作一些补充。