一.線性回歸
主要內容包括：
1.線性回歸的基本要素
2.線性回歸模型從零開始的實現
3.線性回歸模型使用pytorch的簡潔實現
線性回歸的基本要素
模型為了簡單起見，這裡我們假設**只取決於房屋狀況的兩個因素，即面積（平方公尺）和房齡（年）。接下來我們希望探索**與這兩個因素的具體關係。線性回歸假設輸出與各個輸入之間是線性關係:
price=warea⋅area+wage⋅age+b
資料集我們通常收集一系列的真實資料，例如多棟房屋的真實售出**和它們對應的面積和房齡。我們希望在這個資料上面尋找模型引數來使模型的****與真實**的誤差最小。在機器學習術語裡，該資料集被稱為訓練資料集（training data set）或訓練集（training set），一棟房屋被稱為乙個樣本（sample），其真實售出**叫作標籤（label），用來**標籤的兩個因素叫作特徵（feature）。特徵用來表徵樣本的特點。
損失函式
在模型訓練中，我們需要衡量****值與真實值之間的誤差。通常我們會選取乙個非負數作為誤差，且數值越小表示誤差越小。乙個常用的選擇是平方函式。
向量計算
線性回歸模型過程：
1、生成資料集
2、使用影象來展示生成的資料
3、讀取資料集
4、初始化模型引數
5、定義模型
6、定義損失函式
7、定義優化函式
8、訓練
4.小結：
從零開始的實現（推薦用來學習）: 能夠更好的理解模型和神經網路底層的原理
二.softmax和分類模型
內容包含：
1.softmax回歸的基本概念
2.如何獲取fashion-mnist資料集和讀取資料
3.softmax回歸模型的從零開始實現，實現乙個對fashion-mnist訓練集中的影象資料進行分類的模型
4.使用pytorch重新實現softmax回歸模型
三.多層感知機的基本知識
1.多層感知機的基本知識
2.使用多層感知機影象分類的從零開始的實現
3.使用pytorch的簡潔實現
線性回歸 Softmax與分類模型 多層感知機
主要內容包括 1.線性回歸的基本要素 2.線性回歸模型從零開始的實現 3.線性回歸模型使用pytorch的簡潔實現 為了簡單起見，這裡我們假設 只取決於房屋狀況的兩個因素，即面積 平方公尺 和房齡 年 接下來我們希望探索 與這兩個因素的具體關係。線性回歸假設輸出與各個輸入之間是線性關係 price ...
線性回歸與softmax回歸的區別
線性回歸是一種回歸演算法，根據當前資料去學習直線的兩個引數。可以用輸入特徵維度為2輸出為1的單層神經網路來實現。線性回歸模型適 於輸出為連續值的情景 softmax回歸，是一種分類方法，模型輸出可以是 個 像影象類別這樣的離散值。對於這樣的離散值 問題，我們可以使 諸如softmax 回歸在內的 分...
模擬非線性回歸 softmax分類mnist資料集
建立乙個乙個輸入神經元，中間隱藏層10個神經元，輸出為1個神經元的神經網路用於模擬非線性回歸 coding utf 8 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt 使用numpy生成200個隨機...