总结：虽然预测值和真实值有差距，但是在整体的句式上是正确的。填写的次是一个正确的词，不想以前那么的混乱了。

'''Gradients[5. 5.][25. 25.]'''

一、RNN神经网络的前向传播图如下：时间步 t=1:↑ (W_h)h₀ (初始隐藏状态)时间步 t=2:↑ (W_h)h₁时间步 t=3:↑ (W_h)h₂。

'''Gradients[5. 5.][25. 25.]'''

当输入的第1个因素对输出的3个值都起作用时，第1个因素就会被消除。这样做的原因是，要找到可以鉴别输出的3个值的非别的因素的自己的因素。当输入的第1个因素对输出的3个值都起作用时，第1个因素不会被消除，它只是在找更多的信息来支撑输出。让该有的正确的结果更加真确。在使用这个非线性激活函数的时候，其实我们重点还是学习的是他们的正向怎么传播，以及反向怎么传递的。第一：relu函数的正向传播函数是：当输入值

当输入的第1个因素对输出的3个值都起作用时，第1个因素就会被消除。这样做的原因是，要找到可以鉴别输出的3个值的非别的因素的自己的因素。当输入的第1个因素对输出的3个值都起作用时，第1个因素不会被消除，它只是在找更多的信息来支撑输出。让该有的正确的结果更加真确。在使用这个非线性激活函数的时候，其实我们重点还是学习的是他们的正向怎么传播，以及反向怎么传递的。第一：relu函数的正向传播函数是：当输入值

w.append(Tensor(np.random.rand(2, 3), autograd=True)) 这行代码的主要功能是创建一个形状为 (2, 3) 的随机张量（Tensor），如果不清零，新的梯度 g2 会累加到 p.grad.data 中，即 p.grad.data = g1 + g2。Tensor(np.ones_like(loss.data))：这是一个形状与 loss 相同的张量

Predict# Compare''''''

1、先从计算功耗的意义来说：意义就是mos管的功耗是mos发热量的一个指标，也是安全试用mos管的一个重要指标。第一：导通功率，Pcond=ID(on)*ID(on)*RDS(on)*D。目前这个值很小，不在我的考虑范围内，如果大家有兴趣可以再进行研究。toff：mos管的下降时间：Fall time。ton：mos管的上升时间：Rise time。ID(on)：导通时流过mos管DS端的电流。I

'''Gradients[5. 5.][25. 25.]'''