PyTorch 教程-PyTorch 中的梯度下降
我们最大的问题是，如何训练模型以确定将最小化我们的误差函数的权重参数。让我们开始了解梯度下降如何帮助我们训练我们的模型。首先，线性模型将以随机的初始参数开始，回想一下当我们用线性函数初始化模型时，它确实给了我们一个随机的初始参数。现在让我们暂时忽略偏差值，基于这个初始参数 A 关联的误差。我们的目标是向给我们较小误差的方向移动。
PyTorch 教程-PyTorch 中的损失函数
在之前的主题中，我们看到线并没有正确地拟合我们的数据。为了使其最佳拟合，我们将使用梯度下降法更新其参数，但在此之前，需要了解损失函数。因此，我们的目标是找到一条线的参数，使其能够很好地拟合这些数据。在我们之前的示例中，线性函数最初会为我们的线随机分配权重和偏差参数，如下图所示。
PyTorch 教程-使用自定义模块创建数据模型
还有另一种方法可以进行预测。在前一节中，我们使用 forward() 方法和实现一个线性模型来进行预测。这种方法非常高效可靠。它易于理解和实现。在自定义模块中，我们通过类来创建一个自定义模块，并且实现它的 init() 和 forward() 方法以及模型。init() 方法用于初始化类的新实例。在这个 init() 方法中，第一个参数是 self，表示类的实例，即尚未初始化的对象，之后我们可以添加额外的参数。
PyTorch 教程-预测和线性类
在这里，我们简要介绍了如何实现基于机器学习的算法，以训练线性模型以适应一组数据点。为此，不需要有深度学习的任何先验知识。我们将从监督学习的讨论开始。我们将讨论监督学习的概念以及它与之的关系。机器学习机器学习是人工智能的一个应用。机器学习（ML）赋予系统通过经验自动学习和改进的能力。ML专注于开发可以访问数据并用它自己学习的计算机程序。
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。
Java Servlet教程—启动时加载 web.xml
load-on-startup 元素是 web-app 的一部分，用于在部署时或服务器启动时加载 Servlet，前提是其值为正数。它也被称为 Servlet 的预初始化。您可以为 Servlet 传递正值和负值。
Java Servlet教程—web.xml 中的欢迎文件列表
welcome-file-list 元素是 web-app 的一部分，用于定义欢迎文件列表。它的子元素 welcome-file 用于定义欢迎文件。欢迎文件是服务器在您未指定任何文件名时自动调用的文件。默认情况下，服务器按以下顺序查找欢迎文件：
Java Servlet教程—WAR 文件
WAR 文件（Web 归档文件）WAR 文件（Web Archive File）包含了一个 Web 项目的文件。它可能包含 Servlet、XML、JSP、图片、HTML、CSS、JS 等文件。这里，我们将讨论什么是 WAR 文件，如何创建 WAR 文件，如何部署 WAR 文件，以及如何解压 WAR 文件。
Java Servlet教程—Servlet 是如何工作的？
了解 Servlet 如何工作对于理解 Servlet 是非常重要的。下面，我们将了解第一个 Servlet 程序的内部细节。服务器会检查是否是首次请求该 Servlet。
Java Servlet教程—创建 Servlet 示例
在 Apache Tomcat 服务器上创建 Servlet 示例通常涉及以下六个步骤：创建目录结构：这是为了让 Web 容器知道在哪里可以找到不同类型的文件，以便正确响应客户端请求。通常，Servlet 类文件应该放在 classes 文件夹中，而 web.xml 文件应该位于 WEB-INF 文件夹下。创建 Servlet：可以通过以下三种方式之一来创建 Servlet：通过实现 Servlet 接口通过继承 GenericServlet 类通过继承 HttpServlet 类 通常，最常用的方法是继承 HttpServlet 类，因为它提供了处理 HTTP 请求的特定方法，如 doGet()、doPost()、doHead() 等。
