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。
PyTorch 教程-感知器模型
了解感知器模型及一些关键术语如交叉熵、Sigmoid梯度下降等是很重要的。那么，什么是感知器模型，它是如何工作的呢？让我们通过一个例子来理解感知器模型。想象一家每年都会为数千名患者进行手术的医院，请你创建一个预测模型，能够准确判断某人是否可能患癌症。
PyTorch 教程-创建感知器模型的数据集
现在，我们将了解如何创建、学习和测试感知器模型。在PyTorch中实现感知器模型涉及多个步骤，如创建模型的数据集、设置模型、训练模型和测试模型。
PyTorch 教程-深度学习
深度学习是一组用于机器学习的算法。它是基于人工神经网络的机器学习方法的一部分。学习可以是监督的、无监督的或半监督的。深度学习架构，即深度神经网络、循环神经网络和卷积神经网络已应用于自然语言处理、计算机视觉、语音识别、音频识别、社交网络过滤、机器翻译、药物设计、生物信息学、医学图像分析、材料检测和棋盘游戏程序等领域，在某些情况下产生的结果优于或可与人类专家相媲美。
PyTorch 教程-感知器
感知器 是一个单层神经网络，或者我们可以说神经网络是多层感知器。感知器是一个二元分类器，它在监督学习中使用。人工神经网络中的生物神经元的简单模型称为感知器。能够决定表示为数字向量的输入是否属于某个特定类别的函数被称为二元分类器。二元分类器是一种线性分类器。线性分类器是一种基于线性预测函数和特征向量的一组权重进行预测的分类算法。
PyTorch 教程-线性模型的训练
我们根据随机分配给它的参数绘制了我们的线性模型。我们发现它不能很好地拟合我们的数据。我们需要训练这个模型，使模型具有最佳的权重和偏差参数，并拟合这些数据。
PyTorch 教程-均方误差
均方误差的计算方式与之前的一般损失方程大致相同。我们也会考虑偏差值，因为这也是在训练过程中需要更新的参数。(y-Ax+b)2最好用一个例子来解释均方误差。假设我们有一组值，我们首先按照之前的方式用一组随机的权重和偏差值画出一些回归线参数。
