在人工智能技术爆发的今天，PyTorch 凭借其动态计算图的灵活性和高效的 GPU 加速能力，已成为深度学习领域最受欢迎的框架之一。好吧，其实我写这个的原因是：很多有关人工智能的工作岗位都需要应聘者熟悉Tensorflow/scikit-learn/xgboost/Caffe/MindSpore/pytorch等主流深度学习框架，或者至少其中之一。那么torch自然就是一个很好的选择。

选择超参数有两种基本方法：手动选择或自动选择。手动超参数选择需要使用者对模型或深度学习有更多的了解。自动超参数选择通常需要更多的计算时间。调整模型的有效容量，使其与任务的复杂程度相匹配；在一定的运行时间和内存限制（模型复杂度）条件下，通过找到最低的泛化误差来评判模型性能。

OpenAI Gym 提供了一系列强化学习环境库，分为核心库和扩展库。1. 核心库（必备）库名作用安装命令常用环境示例gym基础环境（经典控制、简单算法）版本更新通知自动随gym安装2. 常用扩展库（按领域分类）（1）经典控制 & 物理仿真库名环境类型安装命令示例环境经典控制问题Acrobot-v1gym[box2d]2D 物理引擎（如车辆、机器人）（2）Atari 游戏库名说明安装命令示例游戏g

在训练神经网络时，最常用的算法是反向传播。在该算法中，参数（模型权重）根据损失函数的梯度相对于给定参数进行调整。为了计算这些梯度，PyTorch有一个内置的微分引擎，名为torch.autograd。它支持为任何计算图自动计算梯度。考虑最简单的一层神经网络，具有输入x、参数w和b以及一些损失函数。

循环神经网络常常被应用于诸如机器翻译、语音识别和语音合成等序列问题中。循环网络的记忆存储于内部状态xtx_txt​中门控循环网络（GRU和LSTM）具备长期记忆能力，而简单RNN只有短期记忆。循环网络单元对比简单RNN（Simple RNN）xttanh⁡Axt−1Butxt​tanhAxt−1​But​用于更新内部状态，结合上一时刻状态xt−1x_{t - 1}xt−1​和当前输入utu_tut

OpenAI Gym 提供了一系列强化学习环境库，分为核心库和扩展库。1. 核心库（必备）库名作用安装命令常用环境示例gym基础环境（经典控制、简单算法）版本更新通知自动随gym安装2. 常用扩展库（按领域分类）（1）经典控制 & 物理仿真库名环境类型安装命令示例环境经典控制问题Acrobot-v1gym[box2d]2D 物理引擎（如车辆、机器人）（2）Atari 游戏库名说明安装命令示例游戏g

RNN层的内部结构，或者其变体，如长短期记忆网络（LSTM，即Long Short-Term Memory）和门控循环单元（GRU，即Gated Recurrent Unit），结构相对复杂，超出了本视频的讨论范围。这是很有益处的，因为许多激活函数（下面会讨论）在接近 0 的地方具有最强的梯度，但对于那些使输入值远离 0 的情况，有时会出现梯度消失或梯度爆炸的问题。最常见的应用场景之一是分类器模型

PyTorch的自动求导（Autograd）特性是使PyTorch在构建机器学习项目时具备灵活性和高效性的部分原因。它能够在复杂的计算过程中快速且轻松地计算多个偏导数（也称为梯度）。这一操作对于基于反向传播的神经网络学习来说至关重要。自动求导（Autograd）的强大之处在于，它能在运行时动态地跟踪你的计算过程。这意味着，如果你的模型中存在决策分支，或者存在直到运行时才能确定长度的循环，计算过程仍

所有TorchVision数据集都有两个参数——transform来修改特征，target_transform来修改标签——接受包含转换逻辑的可调用项。FashionMNIST 数据集的特征采用的是 PythonImaging Library（PIL）图像格式，而标签是整数。很多时候，数据并不总是以训练机器学习算法所需的最终处理形式出现。所以我们需要使用变换对数据进行一些处理，使其适合训练。对于训

自定义Dataset类必须实现三个函数：__init____len__和。看看这个实现；时尚MNIST图像存储在目录img_dir中，它们的标签单独存储在CSV文件annotations_file中。在下一节中，我们将分解这些函数中发生的事情。import os__init__函数在实例化Dataset对象时运行一次。我们初始化的目录包含图像、注释文件和两个转换（将在下一节中详细介绍）。label