全连接神经网络（Fully Connected Neural Network,FCNN）是由一系列全连接层组成的深度神经网络，是深度学习中的基本架构。全连接层的特点是相邻两层的任意两个神经元之间均有连接。接下来，我们将用一个简单的二分类的全连接神经网络结构对数据集进行训练。以上，本文内容参考自蒙祖强，欧元汉编著的《深度学习理论与应用》。详细内容可关注其他笔记，这里不再过多赘述）

全连接神经网络（Fully Connected Neural Network,FCNN）是由一系列全连接层组成的深度神经网络，是深度学习中的基本架构。全连接层的特点是相邻两层的任意两个神经元之间均有连接。接下来，我们将用一个简单的二分类的全连接神经网络结构对数据集进行训练。以上，本文内容参考自蒙祖强，欧元汉编著的《深度学习理论与应用》。详细内容可关注其他笔记，这里不再过多赘述）

一个全连接网络层是由nn.Linear()函数定义的，其中①in_features=m，表示该网络层有m个输入特征，②out_features=k表示该网络层有k个神经元，也代表着有k个输出特征，③bias=False表示所有神经元都不带有偏置项。nn.Linear()函数的作用是建立一个全连接神经网络层，其中m个输入特征，k个输出特征，一共有m*k个权重。如果bias为True，则需要学习优化的

离散点为（2.49,2.86）(0.50,0.21)(2.73,2.91)(3.47,2.34)(1.38,0.37)(1.03,0.27)(0.59,1.73)(2.25,3.75)(0.15,1.45)(2.73,3.42)分别标记为1,0,1,1,0,0,0,1,0,1。目前，比较开源常见的深度学习框架包括：Caffe/Caffe2、Torch、TensorFlow、Keras、MXNet、

一个感知器可以理解成有多个线性拟合组合成的计算单元，由不同的输入特征（x）依据不同的权重（w）及偏置项（b）加权求和得到了激活函数（σ），如图。首先输入的m个特征x1到xm经过不同的权重拟合，经过加权求和，加偏置项，激活函数变换后得到了我们需要的结果y，所以只要我们确定了w和b（权重和偏置项）我们的感知器基本就是确定的。我们不难发现，sigmoid函数和Tanh函数对于x的两端无穷都是无限逼近某个

获取分块网络层名称–使用nn.Module的named_children（）方法实现。获取分块网络层–使用nn.Module的children（）方法实现。获取所有网络层–使用modules（）方法实现。

摘要：本文介绍了Python中dir()和help()两大实用工具在PyTorch学习中的应用。dir()用于快速查看模块或对象的所有属性与方法，如dir(torch)；help()则提供详细的函数文档说明，如help(torch.cuda.is_available)。文章通过示例演示了这两个函数的具体用法，并附有闯关测验检验学习效果，帮助开发者高效掌握PyTorch的核心功能。掌握这两个工具可以

离散点为（2.49,2.86）(0.50,0.21)(2.73,2.91)(3.47,2.34)(1.38,0.37)(1.03,0.27)(0.59,1.73)(2.25,3.75)(0.15,1.45)(2.73,3.42)分别标记为1,0,1,1,0,0,0,1,0,1。目前，比较开源常见的深度学习框架包括：Caffe/Caffe2、Torch、TensorFlow、Keras、MXNet、

离散点为（2.49,2.86）(0.50,0.21)(2.73,2.91)(3.47,2.34)(1.38,0.37)(1.03,0.27)(0.59,1.73)(2.25,3.75)(0.15,1.45)(2.73,3.42)分别标记为1,0,1,1,0,0,0,1,0,1。目前，比较开源常见的深度学习框架包括：Caffe/Caffe2、Torch、TensorFlow、Keras、MXNet、

一个感知器可以理解成有多个线性拟合组合成的计算单元，由不同的输入特征（x）依据不同的权重（w）及偏置项（b）加权求和得到了激活函数（σ），如图。首先输入的m个特征x1到xm经过不同的权重拟合，经过加权求和，加偏置项，激活函数变换后得到了我们需要的结果y，所以只要我们确定了w和b（权重和偏置项）我们的感知器基本就是确定的。我们不难发现，sigmoid函数和Tanh函数对于x的两端无穷都是无限逼近某个