PyTorch深度学习实战

1.机器学习基础

1.1 模型评估与模型参数选择

训练集上的平均误差被称为训练误差
测试集上的误差成为泛化误差，泛化误差是衡量一个模型泛化能力的重要标准
之所以不能把训练误差作为模型参数选择的标准，是应为训练集可能存在以下问题：

1. 训练集样本太少，缺乏代表性
2. 训练集中本身存在错误的样本，即噪声
   如果片面地追求训练误差的最小化，就会导致模型参数复杂第增加，使得模型过拟合
   防止出现过拟合的问题，通常可以采取的方法有：使用验证集调参和对损失函数进行正则化两种方法

2. PyTorch深度学习基础

2.2 Tensor的索引，切片，拼接，拆分，Reduction操作

可以看以下链接Tensor的索引，切片，拼接，拆分，Reduction操作

2.2.1 整数索引

在进行整数索引的时候，例如以下例子，获取(0,2)和(1,2）两个位置上的数据组成一个一维向量