动手学深度学习v2（4.3）多层感知机的简洁实现
模型 与softmax回归的简洁实现（ 3.7节）相比， 唯一的区别是我们添加了2个全连接层（之前我们只添加了1个全连接层）。 第一层是隐藏层，它包含256个隐藏单元，并使用了ReLU激活函数。 第二层是输出层。 net = nn.Sequenti
动手学深度学习v2（3.7）softmax的简洁实现
在 3.3节中， 我们发现通过深度学习框架的高级API能够使实现 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 3.6节中一样， 继续使用Fashion-MNIST数据集，并保持批量大小为256。
动手学深度学习v2（3.6）softmax回归的从零开始实现
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 3.5节中引入的Fashion-MNIST数据集， 并设置数据迭代器的批量大小为256。 import torch
from IPython import
动手学深度学习v2（3.5）图像数据集
MNIST数据集 (LeCun et al., 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 (
Pytorch（一）Dataset与Dataloader
在PyTorch中，Dataset 和 DataLoader 是两个非常重要的组件，它们在数据加载和准备过程中扮演着不同的角色。以下是它们的主要区别： PyTorch Dataset (torch.utils.data.Dataset) 数据集抽象：Dataset 是一个抽象类，它定义了与数据集交互
动手学深度学习v2（3.3）线性回归的简洁实现
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 3.2节中，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
动手学深度学习v2（3.2）线性回归的从零开始
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