原有的 "Alley" 列被转换为两个新列："Alley_Pave" 和 "Alley_nan"。这种编码方式可以将类别型数据转换为机器学习算法能够处理的数值型数据，同时保留了缺失值的信息。os.path.join('..', 'data') 拼接路径，生成 "../data"，data文件生成在当前目录的上一级目录下，如图所示。写入的内容是一个包含三列信息的 CSV 格式数据，同时包含一些缺省值

如果X是一个形状为(2, 3)的张量，我们对列进行求和， 则结果将是一个具有形状(3,)的向量。当调用sum运算符时，我们可以指定保持在原始张量的轴数，而不折叠求和的维度。这将产生一个具有形状(1, 3)的二维张量。keepdim=True 表示保持原有的维度信息（不压缩维度）注意以下的代码是对行求和，是因为小批量数据中每个样本是一行。X_exp = torch.exp(X)：对输入张量的每个元素

除以batch_size是因为损失函数通常是批次中所有样本损失的平均值，是为了让学习率不受批次大小影响。with torch.no_grad():：创建一个上下文环境，在该环境中不会追踪梯度计算，节省内存并加速计算。param.grad.zero_()，每次参数更新后必须清零梯度，否则 PyTorch 会默认累积梯度。

如果X是一个形状为(2, 3)的张量，我们对列进行求和， 则结果将是一个具有形状(3,)的向量。当调用sum运算符时，我们可以指定保持在原始张量的轴数，而不折叠求和的维度。这将产生一个具有形状(1, 3)的二维张量。keepdim=True 表示保持原有的维度信息（不压缩维度）注意以下的代码是对行求和，是因为小批量数据中每个样本是一行。X_exp = torch.exp(X)：对输入张量的每个元素

如果X是一个形状为(2, 3)的张量，我们对列进行求和， 则结果将是一个具有形状(3,)的向量。当调用sum运算符时，我们可以指定保持在原始张量的轴数，而不折叠求和的维度。这将产生一个具有形状(1, 3)的二维张量。keepdim=True 表示保持原有的维度信息（不压缩维度）注意以下的代码是对行求和，是因为小批量数据中每个样本是一行。X_exp = torch.exp(X)：对输入张量的每个元素