深度学习练习

什么是 PyTorch ?

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

1. 先导入torch包

2. torch既可以定义为单个变量可以定义不同维度的数组，根据需要选用。

3. 根据tensor.empty/rand/zeros/ones等的不同可以直接建立不同的数组数据。

 

 

 

 

4. torch关于矩阵的操作：

5. 点积：m @ v:

   第一次运行报错，给出的反馈是m的type为long，我就查了一下：

   torch.tensor和torch.Tensor的对比；

   前者是python的一个函数，有list,tuple,array,scalar等类；

   后者是orch.FloatTensor的别名；

   然后改一下m，得以正确运行。

6. 矩阵元素相加，转置，构建一个等差数列式的数组（和matlab的方式差不多）

7. 通过绘图工具分析rand生成的随机数的统计规律：正态分布。并且当生成的随机数足够多时，与正态分布的拟合度越高。

8. 安装相应的工具并导入包。

9. 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。

    

 

10. 根据上面的代码生成了一个螺旋图形。。。

 

11. 构建线性模型分类: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）。

              从上面图示可以看出，线性模型的准确率最高只能达到 50% 左右（此处输出为0.504），对于这样复杂的一个数据分布，线性模型难以实现准确分类。

 12. 构建两层神经网络分类可以看到，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。达到了0.949。（虽然知道结果是这样的，但是具体的怎么实现还是有点迷，课下我再去看看吧。。。）