Task 03自学

即使现实中不会有任何房子的面积是0或房龄正好是0年，我们仍然需要偏置项。 如果没有偏置项，我们模型的表达能力将受到限制。
 均方误差损失函数（简称均方损失）可以用于线性回归的一个原因是： 我们假设了观测中包含噪声，其中噪声服从正态分布
最小化负对数似然公式中，只需要假设σ是某个固定常数就可以忽略第一项， 因为第一项不依赖于w和b。现在第二项除了常数σ^-2外，其余部分和前面介绍的均方误差是一样的。 幸运的是，上面式子的解并不依赖于σ。因此，在高斯噪声的假设下，最小化均方误差等价于对线性模型的极大似然估计

resize：可选的整数，用于调整图像的大小。
函数首先创建一个名为 trans 的变量，其中包含一个 transforms.ToTensor() 变换。如果 resize 参数不为 None，则函数将 transforms.Resize(resize) 变换插入到 trans 变换的开始位置，以调整图像大小。

mnist_train = torchvision.datasets.FashionMNIST(
        root="../data", train=True, transform=trans, download=True)
    mnist_test = torchvision.datasets.FashionMNIST(
        root="../data", train=False, transform=trans, download=True)第一次train参数为真，第二次为假。

使用深度学习框架的高级API，我们可以更简洁地实现softmax回归。

 重新审视softmax的实现，直接运算容易导致上溢，我们无法得到一个明确定义的交叉熵值，但是如果只是减去输入层当中的最大值，又可能导致出现极大负数，最终得到nan。最终是求对数与指数的互相抵消使运算更加简单。

此次自学还侧面让我更多理解了init方法的应用，提高了熟练度。