train_loss=0 #初始化训练损失和正确率#计算预测误差pred=model(x) #网络输出loss=loss_fn(pred,y) #计算网络输出和真实值之间的差距#反向传播opt.zero_grad() #grad属性归零loss.backward() #反向传播opt.step() #每一步自动更新#记录loss学习率进行动态调整，有效改善了模型的收敛性能。学习率从初始值逐渐衰减，

- **🍨 本文为[]中的学习记录博客**>- **🍖 原作者：[]**了解并学习InceptionV3相对与InceptionV1有哪些改进的地方使用Inception完成天气识别。

在计算机视觉领域，卷积神经网络（CNN）已经成为最主流的方法，比如GoogLenet，VGG-16，Incepetion等模型。CNN史上的一个里程碑事件是ResNet模型的出现，ResNet可以训练出更深的CNN模型，从而实现更高的准确度。ResNet模型的核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），进而训练出更深的CNN网络。

- **🍨 本文为[]中的学习记录博客**>- **🍖 原作者：[]**本周任务：1.请根据本文TensorFlow代码，编写出相应的pytorch代码2.了解残差结构3.是否可以将残差模块融入到C3当中（自由探索）本文完全根据中的内容转换为pytorch，所以前述性的内容不在一一重复，仅就pytorch的内容进行叙述。

本周项目完成的比较顺利，虽然是依旧拉胯的cpu跑模型，但在首次结果不理想的状态下，仅仅修改模型和调整参数两次就达到理想的结果。但是测试集的损失有居高不下的情况，后来修整了几次依旧未能达到满意状态，希望在以后得学习中能针对损失进行理想的调整。

- **🍨 本文为中的学习记录博客📌第P1周：实现mnist手写数字识别📌🍻拔高（可选）这是第一篇教案，也是深度学习的入门案例，我们或许可以按照下面的步骤进行学习。

>- **🍨 本文为[🔗365天深度学习训练营]中的学习记录博客**>- **🍖 原作者：[K同学啊]**🏡 我的环境：论文地址：Conditional Image Synthesis with Auxiliary Classifier GANsACGAN的全称是 Auxiliary Classifier Generative Adversarial Network ，翻译成汉语的意思就是

📌本周任务详情：在之前的任务重我们学习了 Seq2Seq，知晓了 Attention 为 RNN 带来的优点。那么有没有一种神经网络结构直接基于 attention 构造，并且不再依赖 RNN、LSTM 或者 CNN 网络结构了呢？答案便是：Transformer。Seq2Seq 和 Transformer 都是用于处理序列数据的深度学习模型，但它们是两种不同的架构。1.Seq2Seq：2.Tr

>- **🍨 本文为[🔗365天深度学习训练营]中的学习记录博客**>- **🍖 原作者：[K同学啊]**🏡 我的环境：本周任务：输出：1. 搭建语言类2. 文本处理函数3. 文件读取函数.startswith(eng_prefixes)是字符串方法 startswith() 的调用。它用于检查一个字符串是否以指定的前缀开始。输出：二、Seq2Seq 模型1. 编码器（Encoder）2.

自然语言处理（NLP）是一种涉及到处理语言文本的计算机技术。在NLP中，最小的处理单位是词语，词语是语言文本的基本组成部分。词语组成句子，句子再组成段落、篇章、文档，因此处理NLP问题的第一步是要对词语进行处理。在进行NLP问题处理时，一个常见的任务是判断一个词的词性，即动词还是名词等等。这可以通过机器学习来实现。具体地，我们可以构建一个映射函数 f(x)->y ，其中 x 是词语， y 是它们的