PyTorch 教程-在PyTorch中的图像识别MNIST数据集
在这个主题中，我们将讨论一种新型的数据集，我们将在图像识别中使用。这个数据集被称为MNIST数据集。MNIST数据集可以在线找到，它基本上只是各种手写数字的数据库。MNIST数据集具有大量数据，通常用于展示深度神经网络的真正威力。
汤圆 发布的文章
PyTorch 教程-图像识别
图像识别 是从给定的图像中提取有意义信息（如图像内容）的过程。在图像识别中，要对给定图像中的主要内容进行分类是至关重要的，因此它不涉及确定识别内容的位置和姿态。
PyTorch 教程-在 PyTorch 中测试深度神经网络
我们将绘制一个精确的决策边界来分离我们的分类结果。在此，我们还将测试我们的模型。训练模型的步骤如下：步骤 1:在第一步中，我们定义一个名为 plot_decision_boundary() 的函数，该函数包含两个参数：训练数据 x 和标签 y。这个函数将返回决策边界的等高线图。
PyTorch 教程-实现深度神经网络
在了解了反向传播的过程之后，让我们开始看看如何使用PyTorch实现深度神经网络。实现深度神经网络的过程类似于感知器模型的实现。在实现过程中，我们需要执行以下步骤。
PyTorch 教程-深度神经网络中的反向传播过程
反向传播是神经网络的一个重要概念。我们的任务是尽可能准确地分类数据。为此，我们需要更新参数的权重和偏差值，但在深度神经网络中，我们如何做到这一点？在线性回归模型中，我们使用梯度下降来优化参数。类似地，在这里我们也使用梯度下降算法，结合反向传播。
PyTorch 教程-深度神经网络中的前馈过程
现在，我们知道如何通过结合具有不同权重和偏差的线性模型来得到非线性模型。那么，神经网络如何知道每一层应该有什么权重和偏差值呢？这与我们为单个基于感知机模型所做的并无二致。我们仍然使用梯度下降优化算法，该算法通过迭代地移动到最陡峭的下降方向，以最小化模型的误差，更新模型的每一个层次中的每一个模型的权重。稍后我们将更多地讨论优化算法和反向传播。
PyTorch 教程-神经网络架构
我们通过结合两个线性模型，并使用某些方程、权重、偏差和 Sigmoid 函数，找到了一个非线性模型。让我们更好地说明并理解神经网络和深度神经网络的架构。
PyTorch 教程-深度神经网络中的非线性边界
在感知机模型中，我们使用线性模型来分类两个数据区域。现实中的数据要复杂得多，不总是可以通过直线进行分类。为此，我们需要一个非线性边界来分隔我们的数据。感知机模型基于最基本形式的神经网络，但对于现实数据分类，我们使用深度神经网络。
PyTorch 教程-测试感知机模型
本文讨论了感知机模型的目的是对数据进行分类，并根据先前标记的数据，告诉我们癌症的可能性是最大还是最小。我们的模型已经训练完成，现在，我们需要测试模型是否能顺利工作并给出准确的结果。为此，我们需要在代码中添加一些更多的功能。
PyTorch 教程-训练感知器模型
感知器模型的训练与线性回归模型类似。我们初始化一个具有两个输入节点的输入层和一个具有Sigmoid激活函数的输出节点的神经模型。当我们将模型与数据绘制在一起时，我们发现它并不很好地适应我们的数据。我们需要训练这个模型，使其具有最佳的权重和偏置参数，并适应这些数据。
