从0开始学Pytorch：激活函数与卷积层基础讲解
### 激活函数与卷积层概述 **激活函数**：神经网络需非线性变换拟合复杂关系，激活函数引入非线性。常见函数： - **ReLU**：`y = max(0, x)`，计算简单，解决梯度消失，最常用（PyTorch：`nn.ReLU()`）。 - **Sigmoid**：`y = 1/(1+exp(-x))`，输出(0,1)用于二分类，但梯度消失（PyTorch：`nn.Sigmoid()`）。 - **Tanh**：`y=(exp(x)-exp(-x))/(exp(x)+exp(-x))`，输出(-1,1)，均值0，易训练但仍有梯度消失（PyTorch：`nn.Tanh()`）。 **卷积层**：CNN核心，通过卷积核提取局部特征。基本概念：输入（如RGB图像，形状`(batch, in_channels, H, W)`）、卷积核（小矩阵）、步长（滑动像素数）、填充（边缘补0控输出尺寸）。PyTorch用`nn.Conv2d`实现，关键参数：`in_channels`（输入
阅读全文Pytorch入门教程：手把手教你搭建第一个神经网络模型
本文是PyTorch入门教程，通过搭建基于MNIST数据集的全连接神经网络（MLP）模型，讲解核心操作。首先安装PyTorch（CPU/GPU版），使用torchvision加载MNIST数据集，经ToTensor转换为张量、Normalize标准化后，用DataLoader批量处理（batch_size=64）。模型定义为输入层784（28×28图像展平）、隐藏层128（ReLU激活）、输出层10（Softmax）的MLP，继承nn.Module实现前向传播。损失函数选CrossEntropyLoss，优化器用SGD（lr=0.01）。训练5个epoch，循环执行前向传播、损失计算、反向传播与参数更新，每100batch打印损失。测试时模型设为eval模式，禁用梯度计算，计算测试集准确率。教程还建议扩展方向，如调整网络结构、更换优化器或数据集等。
阅读全文零基础学Pytorch：从张量到神经网络的入门指南
这篇文章介绍了PyTorch的核心内容及基础应用。PyTorch以灵活直观、语法接近Python著称，适合深度学习初学者，支持GPU加速和自动求导。核心内容包括： 1. **张量（Tensor）**：基础数据结构，类似多维数组，支持从数据、全0/1、随机数创建，可与NumPy互转，支持形状操作、算术运算（元素级/矩阵）及设备转换（CPU/GPU）。 2. **自动求导**：通过`autograd`实现自动微分，设置`requires_grad=True`的张量会被追踪计算历史，调用`backward()`自动计算梯度，如函数`y=x²+3x-5`在`x=2`时梯度为7.0。 3. **神经网络构建**：基于`torch.nn`模块，包含线性层（`nn.Linear`）、激活函数、损失函数（如MSE）和优化器（如SGD），支持自定义模型类和`nn.Sequential`组合。 4. **实战线性回归**：生成模拟数据`y=2x+3+噪声`，定义线性模型、MSE损失、
阅读全文