数据预处理是为了能用深度学习来解决现实世界的问题，将原始的数据，转变成为计算机可以看懂的张量数据

仅包含一个数值被称为标量，标量可以理解为日常生活中的数值，比如成绩，温度，价格等。

深度学习框架可以自动计算导数：我们首先将梯度附加到想要对其计算偏导数的变量上，然后记录目标值的计算，执行它的反向传播函数，并访问得到的梯度。

《动手学深度学习》概率代码部分。

根据沐神《动手学深度学习》书3.1节创作，用比较通俗易懂的方式介绍书上比较抽象的概念。比如线性回归、仿射变换等概念。

手搓线性回归模型

使用PyTorch的高级API更简洁地实现线性回归模型

之前我们学习了线性回归，可以用于预测多少的问题。现在我们学习另外一种回归，softmax回归，用于解决分类问题。那么接下来我们开始。Softmax回归，也称为多项逻辑回归，是一种用于解决多分类问题的模型。核心思想：对于一个输入样本，Softmax回归会为每一个可能的类别计算出一个概率值。最终，样本被预测为概率最高的那个类别。经过简单介绍之后，我们知道了这个东西大概是什么一回事，只要记住，接下来的东

之前我们学了softmax回归，这一掌我们学习图像分类数据集，这一节本应该实现softmax回归，但是有一个问题，没有数据给我们分类。本节解决的就是训练数据和测试数据。书上觉得MINIST数据集过于简单，于是选择了类似但更复杂的Fashion-MNIST数据集。那好，我们现在开始。

现在，我们已经知道了神目石softmax回归，也拥有了Fashion-MINIST数据集。所有的准备工作已经完成，本节我们要从零开始实现softmax回归。那好，我们接下来开始。还记得softmax函数吗？K是总类别数，对于类别 j的得分 sj，其概率 P(j) 为：书上根据公式，将softmax实现分成了三步：1.对每个项求幂（使用exp2.对每一行求和（小批量中每个样本是一行），得到每个样本的