神经网络-常见函数、定义

度下降：
通过不断沿着反梯度方向更新参数求解

小批量随机梯度下降是深度学习默认的求解方法
两个重要的超参数
批量大小和学习率

improt random:
random 包主要用来生成随机数

X = torch.normal(0, 1, (num_examples, len(w)))
生成一个矩阵，这个矩阵中的每一个元素都是均值为0、标准差为1的数。矩阵的行数为num_examples，列为len(w)即w向量的长度。其中，(num_examples，len(w))可以替换为一个数，代表生成一个一维向量，这个数就是向量所含元素的个数。

y.reshape((-1, 1))
将矩阵y改变形状，这里（a，b）前面的数(a)表示行数，后面的数(b)表示列数。此例中即为将y的行数不变列数变为1。-1作为参数即表示这个维度的大小不发生改变。

d2l.set_figsize()
表示设置绘制图像的大小，可以进行传参，如果没有进行传参则表示使用默认参数

d2l.plt.scatter(features[:, (1)].detach().numpy(), labels.detach().numpy(), 1)
d2l.plt.scatter 函数表示绘制散点图，需要输入两个参数作为横纵坐标。
其中feature[:,(1)]表示feature的所有行、第二列组成的一个向量组。即feature的第二列全部元素。.detach()是一个分割函数，.numpy表示将数组转换成numpy的格式。作为横坐标
同理label.detach().numpy()表示label向量进行转换成numpy的格式输出，作为纵坐标。这句代码表示绘制feature的第二列（即第二个特征）与标签之间的散点图

生成器对象（类）、迭代器对象（类）、可迭代对象（类）
————————————————
版权声明：本文为CSDN博主「时–」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_58466532/article/details/128286576