导入
剧透警告
了解本章的学习目标。
本章内容概要
在本章中，我们将：
-
简要回顾梯度下降的步骤（可选）。
-
使用梯度下降在 Numpy 中实现线性回归。
-
在 PyTorch 中创建 张量（tensors）（终于！）。
-
理解 CPU 张量 和 GPU 张量 的区别。
-
掌握 PyTorch 的核心功能 autograd，实现自动微分。
-
可视化 动态计算图。
-
创建损失函数。
-
定义一个 优化器（optimizer）。
-
实现我们自己的模型类。
-
使用 PyTorch 的层来实现 嵌套（nested） 和 顺序（sequential） 模型。
...
将使用 PyTorch 层实现的模型
- 将代码组织为三个部分：数据准备、模型配置 和 模型训练。
...
将代码划分为不同部分
导入所需库
为了保持结构清晰，本章所需的所有库都将在开头统一导入。本章需要以下导入：
1import numpy as np 2from sklearn.linear_model import LinearRegression 3 4import torch 5import torch.optim as optim 6import torch.nn as nn 7from torchviz import make_dot
Jupyter Notebook
本章末尾将提供包含完整代码的 Jupyter Notebook，你可以运行全部代码并进行实验。