PyTorch代码测试以及螺旋数据分类

（写在前面）我将个人的思考总结和截图放在一起写，用来展现一个完整的学习过程

Pytorch代码

首先挂载在谷歌云盘上，然后修改为GPU运行后，开始测试代码（由于与例子大量重复，只写我感觉较为重要的点）


做到这里时，我有点疑惑，@是对tensor进行矩阵相乘，那m是一个2x4的矩阵，v是一个1x4的矩阵，按理不能相乘。在查阅资料以及跟好兄弟讨论之后，发现这里的@类似于dot()运算，是将m的第一行看作一个向量，再与v这个向量来进行点乘，得到结果（如果此处理解有误，还请老师指正）

transpose() 是对维度进行的操作，在pytorch中只能操作两个维度

2.螺旋数据分类

初始化样本：


（还蛮好看的）

由于nn包创建了线性函数之后，采用的是单层神经网络分类，对于非线形的数据不能较为精确的拟合，模型的准确率只有50.4%，从图像上来看，也是分割的不精确且是用线形的表示来分割的。
关于为什么需要在反向传播前手动将梯度清零，在结合视频以及知乎回答来看，pytorch会有一个梯度的累加机制，若不清零，训练的结果在反向传播过程中，不断累加，就会影响最终结果。但有些时候，这个机制也能用于实现batchsize的变相放大，对内存十分友好。


可以明显看到，增加了一个隐层之后，模型的准确率来到了94.9%，双层网络实现了非线形函数的拟合和学习，使得其对于这样一个螺旋分类的样本有了更精确的判断，这点从图片也很明显的看出来。