本实验中详细介绍了三种自定义图像数据增强操作：Cutout、Random Erasing 和 Mixup（遮挡、随机擦除和图像混合）

本文将介绍pytorch高维张量的乘法、卷积操作（conv2d、conv3d）

本文介绍了张量的梯度计算，包括变量（Variable）、自动微分、计算图及其可视化等

奥利维耶.卡埃朗（Olivier Caelen），国际支付服务先驱 Worldline 公司机器学习研究员、布鲁塞尔自由大学机器学习博士，业余时间在布鲁塞尔自由大学教授机器学习课程。玛丽-艾丽斯.布莱特（Marie-Alice Blete），国际支付服务先驱 Worldline 公司研发部门软件架构师、数据工程师。她还负责维护开发者关系，并担任技术演讲嘉宾。何文斯（译者），大模型创业公司 Dify

本文介绍了PyTorch中数据集（Dataset）与数据加载器（DataLoader），并实现自定义鸢尾花数据类

在强化学习中，为了评估策略 π 的期望回报，引入了值函数的概念，包括状态值函数和状态-动作值函数。

本文介绍了PyTorch Tensor（张量）及其维度（Dimensions）、数据类型（Data Types）

本文介绍了强化学习定义，主要包括交互的对象（智能体、环境）、基本要素【状态 𝑠、动作 𝑎、策略 𝜋(𝑎|𝑠)、状态转移概率 𝑝(𝑠′|𝑠, 𝑎)、即时奖励 𝑟(𝑠, 𝑎, 𝑠′)】、策略（确定性策略、随机性策略及其优点）

本文介绍了神经网络中的数据预处理方法，包括标准化、归一化、白化、去除异常值、处理缺失值等

近年来，深度学习在人工智能的发展过程中起到了举足轻重的作用，而图神经网络是人工智能领域的一个新兴方向，被称为图上的深度学习。本书详细介绍了从深度学习到图神经网络的基础概念和前沿技术，包括**图上的深度学习、图神经网络的数学基础、神经网络学习与算法优化、深度学习基础、神经网络中的表示学习、面向图数据的嵌入表示、初代图神经网络、空域及谱域图卷积神经网络等内容。为增强可读性，本书叙述清晰、内容深入浅出、