pytorch第一周作业

1. 安装anaconda,pycharm, CUDA+CuDNN（可选），虚拟环境，pytorch，并实现hello pytorch查看pytorch的版本

import torch
print("hello torch{}".format(torch.__version__))
print(torch.cuda.is_available())

输出

hello torch1.2.0+cu92
True

2. 张量与矩阵、向量、标量的关系是怎么样的？
答：张量是一个多维数组，他是标量，向量，矩阵的高维拓展。

3. Variable“赋予”张量什么功能？
答：Variable是torch.autograd中的数据类型，主要用于封装Tensor，使得tensor可以进行自动求导
主要有五个属性：
1.data：被包装的Tensor
2.grad：data的梯度
3.grad_fn:创建Tensor的Function（创建张量所用到的方法，如加法或乘法），是自动求导的关键
4.requires.grad：指示张量是否需要梯度，不需要梯度的张量可以设置为false
5.is_leaf：指示张量在计算图中是否是叶子结点。
4. 采用torch.from_numpy创建张量，并打印查看ndarray和张量数据的地址；

import torch
import numpy as np
x = np.zeros((3, 3))
y = torch.from_numpy(x)
print(y)
print(id(y))

输出：

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]], dtype=torch.float64)
2549447462704

5. 实现torch.normal()创建张量的四种模式。
1、标量标量（mean，std）

t_normal = torch.normal(0, 1, size=(2, 2))
print(t_normal) #需另加一个变量size

输出

tensor([[-2.2173,  0.3073],
        [ 1.9485,  1.4101]])

2、标量张量

t_normal = torch.normal(mean=0, std=torch.arange(1., 4.))  
# 三个数，注意1.和4.表示浮点型，不加点报错
print(t_normal) #需另加一个变量size

输出：

tensor([-0.8692, -1.1747,  2.5515])

3、张量标量

t_normal = torch.normal(mean=torch.arange(1., 4.), std=1)   
# 三个数，注意1.和4.表示浮点型，不加点报错
print(t_normal) #需另加一个变量size

输出：

tensor([1.4820, 2.4738, 3.1875])

4、张量张量

t_normal = torch.normal(mean=torch.arange(1., 4.), std=torch.arange(1., 4.))   
print(t_normal) #需另加一个变量size

输出：

tensor([-0.2854,  2.2077,  3.0150])

1、调整线性回归模型停止条件以及y = 2*x + (5 + torch.randn(20, 1))中的斜率，训练一个线性回归模型；
w变为3，损失变为小于0.5停止

2、计算图的两个主要概念是什么？
计算图有两个主要元素：结点（Node），边（Edge）
结点表示数据，如向量，矩阵，张量
边表示运算，如加减乘除卷积，激活函数等
3、动态图与静态图的区别是什么？
动态图：运算与搭建同时进行（特点：灵活、易调节）
静态图：先搭建图，后运算（特点：高效，不灵活）

1、逻辑回归模型为什么可以进行二分类？
利用激活函数sigmoid()将原线性回归的取值映射到0到1的概率取值上来，并设定阈值，将最终取值大于0.5样本的判定为1，小于0.5的判定为0。
随后利用交叉熵损失函数训练模型，得到分类边缘的w和b
2、采用代码实现逻辑回归模型的训练，并尝试调整数据生成中的mean_value，将mean_value设置为更小的值，例如1，或者更大的值，例如5，会出现什么情况？
再尝试仅调整bias，将bias调为更大或者负数，模型训练过程是怎么样的？
变为1后样本更加紧凑，样本边界难以确定，损失难以下降，准确性难以提高：

调为5后样本极易区分：

bias更大：样本整体距离中心偏移较多，w和b需要较多次迭代以取得更好效果，但样本的可分离程度不变

bias对模型的效果取决于其绝对值的大小，越大效果如上，越小则样本距离中心的偏移程度小，样本边界更容易划分。