在pytorch训练时，一般用到.item()。比如loss.item()。我们做个简单测试代码看看有item（）和没有item（）的区别。1.loss 使用item()后，不会生成计算图，减少内存消耗。2. item（）返回一个原本数据类型的值，有显示精度的区别。可以看出是显示精度的区别，

查询"汽车"时，密集向量搜索也可能返回包含"轿车"、"汽油车"、"电动车"等相关词的结果，因为这些词在向量空间中距离较近。搜索"红色跑车"时，稀疏搜索会精确匹配包含这些词的文档，不会返回语义相关但不包含这些确切词语的结果。我们深入探讨一下密集向量搜索和稀疏搜索的工作原理，以及它们各自的优势。

（1）函数名和系统中某个名称相同，但是这次并没有任何名为‘parametres’的。问题：未在class里的init内加torch.nn.model。是一个 function，所以无法直接优化。（2）导入modul或function错误。移除.cuda，改为to(device)

因为输出的loss的数据类型是Variable。主要是使用Variable计算的时候，会记录下新产生的Variable的运算符号，在反向传播求导的时候进行使用。如果这里直接将loss加起来，系统会认为这里也是计算图的一部分，也就是说网络会一直延伸变大，那么消耗的显存也就越来越大。，在计算loss，accuracy时常用到。1.item（）取出张量具体位置的元素元素值。.item()方法是，取一个元

在程序有BUG/缺陷，需要修复时，断点调试是发现缺陷的重要方法。对于初学者而言，断点调试还有另外一个用途：帮助理解程序背后的逻辑。本文以下述程序为例，讲述在Visual Studio Code中的断点调试方法。