深度学习作业

PyTorch基础

PyTorch是一个python库，它主要提供了两个高级功能：

• GPU加速的张量计算。
• 构建在反向自动求导系统上的深度神经网络。

初步理解是任意维度的数组。

1.torch 的创建一些方法

根据需求，torch可以是不同维度的数组，即张量。

torch的一些初始化方法

2.tensor的一些运算方法介绍

乘法，加法，转置，@符号是乘法符号

返回从3到8的数量为20的张量，平均增长

利用matplotlib画图

tensor 的不同合并方式

Spiral classifciation

下载绘图函数后，引入基本的库，然后初始化重要参数

初始化 X 和 Y。 X 可以理解为特征矩阵，Y可以理解为样本标签。 结合代码可以看到，X的为一个 NxC 行， D 列的矩阵。C 类样本，每类样本是 N个，所以是 N*C 行。每个样本的特征维度是2，所以是 2列。

在 python 中，调用 zeros 类似的函数，第一个参数是 y方向的，即矩阵的行；第二个参数是 x方向的，即矩阵的列，下面结合代码看看 3000个样本的特征是如何初始化的。并进行数据可视化。

1. 构建线性模型分类

使用 print(y_pred.shape) 可以看到模型的预测结果，为[3000, 3]的矩阵。每个样本的预测结果为3个，保存在 y_pred 的一行里。值最大的一个，即为预测该样本属于的类别

score, predicted = torch.max(y_pred, 1) 是沿着第二个方向（即X方向）提取最大值。最大的那个值存在 score 中，所在的位置（即第几列的最大）保存在 predicted 中。下面代码把第10行的情况输出，供解释说明

上面使用 print(model) 把模型输出，可以看到有两层：

• 第一层输入为 2（因为特征维度为主2），输出为 100；
• 第二层输入为 100 （上一层的输出），输出为 3（类别数）

2. 构建两层神经网络分类

可以看出，在两层神经网络里加入 ReLU 激活函数以后，分类的准确率得到了显著提高。