yuan

# 读写文件 到目前为止，我们讨论了如何处理数据， 以及如何构建、训练和测试深度学习模型。 然而，有时我们希望保存训练的模型， 以备将来在各种环境中使用（比如在部署中进行预测）。 此外，当运行一个耗时较长的训练过程时， 最佳的做法是定期保存中间结果， 以确保在服务器电源被不小心断掉时，我们不会损失几天的计算结果。 因此，现在是时候学习如何加载和存储权重向量和整个模型了。 # (加载和保存张量) 对于单个张量，我们可以直接调用 load 和 save 函数分别读写它们。 这两个函数都要求我们提供一个名称， save 要求将要保存的变量作为输入。 import torchfrom torch...

# 图像分类数据集 🏷 sec_fashion_mnist (MNIST 数据集) :cite: LeCun.Bottou.Bengio.ea.1998 (是图像分类中广泛使用的数据集之一，但作为基准数据集过于简单。 我们将使用类似但更复杂的 Fashion-MNIST 数据集) :cite: Xiao.Rasul.Vollgraf.2017 。 %matplotlib inlineimport torchimport torchvisionfrom torch.utils import datafrom torchvision import transformsfrom d2l...

# 安装 🏷 chap_installation 我们需要配置一个环境来运行 Python、Jupyter Notebook、相关库以及运行本书所需的代码，以快速入门并获得动手学习经验。 # 安装 Miniconda 最简单的方法就是安装依赖 Python 3.x 的 Miniconda。 如果已安装 conda，则可以跳过以下步骤。访问 Miniconda 网站，根据 Python3.x 版本确定适合的版本。 如果我们使用 macOS，假设 Python 版本是 3.9（我们的测试版本），将下载名称包含字符串 “MacOSX” 的 bash 脚本，并执行以下操作： # 以 Intel...

# 线性神经网络 🏷 chap_linear 在介绍深度神经网络之前，我们需要了解神经网络训练的基础知识。 本章我们将介绍神经网络的整个训练过程， 包括：定义简单的神经网络架构、数据处理、指定损失函数和如何训练模型。 为了更容易学习，我们将从经典算法 ———— 线性神经网络开始，介绍神经网络的基础知识。 经典统计学习技术中的线性回归和 softmax...

# 线性回归的简洁实现 🏷 sec_linear_concise 在过去的几年里，出于对深度学习强烈的兴趣， 许多公司、学者和业余爱好者开发了各种成熟的开源框架。 这些框架可以自动化基于梯度的学习算法中重复性的工作。 在 :numref: sec_linear_scratch 中，我们只运用了： （1）通过张量来进行数据存储和线性代数； （2）通过自动微分来计算梯度。 实际上，由于数据迭代器、损失函数、优化器和神经网络层很常用， 现代深度学习库也为我们实现了这些组件。 本节将介绍如何 (通过使用深度学习框架来简洁地实现) :numref: sec_linear_scratch 中的...

# softmax 回归的从零开始实现 🏷 sec_softmax_scratch (就像我们从零开始实现线性回归一样，) 我们认为 softmax 回归也是重要的基础，因此 (应该知道实现 softmax 回归的细节)。 本节我们将使用刚刚在 :numref: sec_fashion_mnist 中引入的 Fashion-MNIST 数据集， 并设置数据迭代器的批量大小为 256。 import torchfrom IPython import displayfrom d2l import torch as d2lbatch_size = 256train_iter, test_iter...

# softmax 回归的简洁实现 🏷 sec_softmax_concise 在 :numref: sec_linear_concise 中， 我们发现 (通过深度学习框架的高级 API 能够使实现) (softmax) 线性 (回归变得更加容易)。 同样，通过深度学习框架的高级 API 也能更方便地实现 softmax 回归模型。 本节如在 :numref: sec_softmax_scratch 中一样， 继续使用 Fashion-MNIST 数据集，并保持批量大小为 256。 import torchfrom torch import nnfrom d2l import torch...

# 线性回归 🏷 sec_linear_regression 回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法。 在自然科学和社会科学领域，回归经常用来表示输入和输出之间的关系。 在机器学习领域中的大多数任务通常都与预测（prediction）有关。 当我们想预测一个数值时，就会涉及到回归问题。 常见的例子包括：预测价格（房屋、股票等）、预测住院时间（针对住院病人等）、 预测需求（零售销量等）。 但不是所有的预测都是回归问题。 在后面的章节中，我们将介绍分类问题。分类问题的目标是预测数据属于一组类别中的哪一个。 # 线性回归的基本元素 线性回归（linear...

# 前向传播、反向传播和计算图 🏷 sec_backprop 我们已经学习了如何用小批量随机梯度下降训练模型。 然而当实现该算法时，我们只考虑了通过前向传播（forward propagation）所涉及的计算。 在计算梯度时，我们只调用了深度学习框架提供的反向传播函数，而不知其所以然。 梯度的自动计算（自动微分）大大简化了深度学习算法的实现。 在自动微分之前，即使是对复杂模型的微小调整也需要手工重新计算复杂的导数， 学术论文也不得不分配大量页面来推导更新规则。 本节将通过一些基本的数学和计算图， 深入探讨反向传播的细节。 首先，我们将重点放在带权重衰减（L2L_2L2​...

# 线性回归的从零开始实现 🏷 sec_linear_scratch 在了解线性回归的关键思想之后，我们可以开始通过代码来动手实现线性回归了。 在这一节中，(我们将从零开始实现整个方法， 包括数据流水线、模型、损失函数和小批量随机梯度下降优化器)。 虽然现代的深度学习框架几乎可以自动化地进行所有这些工作，但从零开始实现可以确保我们真正知道自己在做什么。 同时，了解更细致的工作原理将方便我们自定义模型、自定义层或自定义损失函数。 在这一节中，我们将只使用张量和自动求导。 在之后的章节中，我们会充分利用深度学习框架的优势，介绍更简洁的实现方式。 %matplotlib inlineimport...