伯禹公益AI《动手学深度学习PyTorch版》Task 01 学习笔记
Task 01：线性回归；softmax与分类模型；多层感知机
疫情期间，宅在家里，天天坐着，于是乎，菊部有恙。现在只好站着写学习笔记了，人生啊，真的是太难了。好友劝说多吃汤食，多吃番茄，可是做饭也不是我管，番茄在现今的环境下也不是想买就能买到。实在难受。
不过有收获就是相当美好的一件事情，国难当头，痘痘当头，只有学到点有用的，大概才能让人开心开心吧。
所以，感谢伯禹。
这一阶段主要是学习了基本的回归模型与分类模型，属于较基本的知识点。
我目前的模型都是以回归为主，基本不做分类，因此现在就是个跛足的，对于分类可以说相当不熟悉。这一次切切实实地研究代码写代码之后，终于知道了，pytorch的交叉熵损失函数是自带了softmax操作的，更让我学习了的是，对于交叉熵损失函数本身，也加深了理解，这个损失函数可太有意思了，它只关心应当正确分类的那个值，一点都不关心其他的数据，这也就导致，pytorch的交叉熵损失函数在计算的时候，输进去的参数也贼有意思。一般来说，讲道理，一个网络的输出应该和它的target长得一模一样，事实上也的确就是这样，所以我们写的loss函数传进去的两个参数也应该是同样的shape，对不对？可是这个pytorch的交叉熵损失函数，第一个参数是网络输出没错，但是第二个参数却少了一维，第二个参数只有应当正确分类的类别对应的那个数字。说起来就比较蹊跷了，这是为啥咧？很可惜，如果你是想要通过查看pytorch的代码来找出答案，会相当麻烦，因为pytorch在实现这个函数的时候，是用C写的，你在Python中死命追踪，也最多追踪到torch._C._nn.nll_loss()函数。
import torch
l=torch.nn.CrossEntropyLoss()
a = torch.randn((1, 10))
print(a)
print(l(a, torch.Tensor([0]).long()))
a_softmax = a.exp()/a.exp().sum()
print(-torch.log(a_softmax[0, 0]))
现代软件开发呢，就是不停地查找文档或者自己做实验来检测函数可能含有的性质，毕竟轮子太特么多了。所以上面这个例子应该很详细地说明了这个损失函数的特性。首先，目标必须是一个Long类型的张量，其次，目标只是应当正确分类的那个位置的下标。也就是说我刚才说的贼有意思的地方，也是一个比较稀奇古怪的地方。现在可算弄明白了。
课程中还有一个就是对于全连接的讲解，其实对我而言是复习了，我才发现自己又遗漏（或者说是遗忘）了一些远古知识点，曲不离口、拳不离手真的是有道理。
以上。
