PyTorch 教程-线性回归
线性回归是一种通过最小化距离来找出因变量和自变量之间线性关系的方法。线性回归是一种监督式机器学习方法。这种方法用于有序离散类别的分类。在本节中，我们将了解如何构建一个模型，以便用户可以预测因变量和自变量之间的关系。
汤圆 发布的文章
PyTorch 教程-PyTorch中的梯度
在这一部分，我们将讨论导数以及如何在PyTorch中应用它们。让我们开始吧。梯度用于找到函数的导数。在数学术语中，导数意味着对函数进行部分微分并找到值。
PyTorch 教程-二维张量
二维张量类似于二维矩阵。一个二维矩阵有n行和n列。同样，二维张量也有n行和n列。
PyTorch 教程-向量操作
我们知道张量有不同类型的维度，例如零维、一维和多维。向量是一维张量，为了操纵它们，有许多可用的操作。向量操作有不同的类型，如数学运算、点积和linspace。向量在深度学习中起着关键作用。
PyTorch 教程-一维张量
正如我们知道的，PyTorch在方便地定义神经网络方面受到了深度学习世界的欢迎。神经网络基本上是基于传感器结构的，而PyTorch也是围绕传感器构建的。这通常会在性能上获得显著提升。张量模糊地是矩阵的概括。
PyTorch 教程-张量介绍
张量是PyTorch的关键组件。我们可以说PyTorch完全基于张量。在数学中，数字的矩形数组称为矩阵。在NumPy库中，这些矩阵称为ndarray。在PyTorch中，它被称为张量。张量是一个n维数据容器。例如，在PyTorch中，1维张量是一个向量，2维张量是一个矩阵，3维张量是一个立方体，4维张量是一个四维立方体。
PyTorch 教程-PyTorch vs. TensorFlow
在开始一个新项目之前，了解PyTorch和TensorFlow之间的差异是必要的。在深度学习或机器学习研究中，当开发人员决定使用哪个框架时，库扮演着至关重要的角色。根据一项调查，有1616名机器学习开发人员和数据科学家使用PyTorch，而有3.4名机器学习开发人员使用TensorFlow。
PyTorch 教程-PyTorch基础
理解使用PyTorch所需的所有基本概念至关重要。PyTorch完全基于张量（Tensors）。张量具有执行操作的功能。除此之外，还有许多其他概念是执行任务所需的。
PyTorch 教程-PyTorch中的torch.nn模块
PyTorch提供了torch.nn模块，以帮助我们创建和训练神经网络。我们将首先在MNIST数据集上训练基本的神经网络，不使用这些模型的任何特征。我们仅使用基本的PyTorch张量功能，然后逐步添加torch.nn中的一个特征。torch.nn为我们提供了许多类和模块，用于实现和训练神经网络。
PyTorch 教程-PyTorch 包
PyTorch是一个针对使用CPU和GPU进行深度学习的优化张量库。PyTorch拥有丰富的包，用于执行深度学习概念。这些包帮助我们进行优化、转换、损失计算等。让我们简要了解这些包。
