左侧是电影名，上侧是用户名，然后右下侧是用户给电影的评分，最右侧是每个电影的特征（是的，特征也有评分，比如romance=0.1代表有一点小浪漫，romance=0.99代表非常浪漫，等于0就是和浪漫不沾边，即浪漫的程度）这里假设给定参数w和b，和之前的线性回归恰恰相反，咱们之前是给定x，需要建立模型来推导w和，但是咱们是假设有了w和b，建立模型来推x，也就是如下图所示，x_1和x_2都是未知的。

使用单个决策树的缺点：单个的决策树对于数据的改变非常敏感，比如咱们之前的例子中一直把耳朵形状选择为根节点的特征，但是你可能改变某个猫的某些特征，这样虽然只是改变了十只猫中的一只，但是也会影响决策过程，根节点选择的特征就会改变，这就是一棵新的决策树了。和之前不一样的地方就是当每一轮生成新的训练集时，不是有放回随机选取10个了，即每个训练示例不是等概率选取了，比如在本轮前面的决策树预测时把训练示例A分

【代码】PyTorch中查看模型的参数信息的几种方式。

上图是咱们之前的一个例子，当遍历到第三个单词Teddy时，仅凭前两个单词He said不足以判断这是否是人名的一部分，这是因为我们在此之前讲的模型，无论你用的单元是最基础的RNN单元还是GRU单元还是LSTM单元，整个序列模型都是单向RNN，所以后面的影响不到前面的。最后暑促先来看一下GRU和LSTM的对比，从公式可以看到LSTM中a^和c^已经不是一个东西了，然后LSTM有三个门，分别是更新门，

先把序列的第一个元素x^输入网络，得到一个预测yhat^，并且在时间步1时还向后传送了一个激活值a^，然后再向这个神经网络输入序列的第二个元素x^，注意此时预测输出yhat^不是仅仅根据输入x^算出来的，是根据x^和时间步1传过来的a^一块算出来的，然后时间步2不仅输出了yhat^，还往下一步输出了时间步2得到的激活值a^，后面依此类推，直到最后一个元素输入网络得到一个yhat^。左边的输入部分是

在这门课中，我将向你们介绍神经网络。然后影响一件T-shirt是否成为畅销品的有如下几个因素，一是顾客对于这件T恤的承担能力（即对于顾客来说这件T恤是贵了还是买的起），二是顾客对于这件T恤的认知程度，三是顾客对于这款衣服的质量的认知程度。看到右下角的第一层输出的激活值的计算公式，可以看到是个25行1列的列向量，因为第一个隐藏层有25个神经元，所以w，就得有25个小分量，b也同理。右下角是一个简单的

可以看到左侧的算法当y代入0或1的时候，会发现其实和右边的loss定义是一个道理（注意看吴老师的蓝色和红色的批注），所以Softmax回归其实是逻辑回归的泛化。先来一个jupyter notebook的例子，可以看到在数学上的两个结果相同的表达式在计算机中却输出不一样，下面的方法就可以提高运算的精度。上面是一个新的问题，比如一个自动驾驶系统，可能要在一张图片里识别出有无汽车，公共汽车，行人，那么此

，指的是在梯度下降的每一步中，我们都用到了所有的训练样本，在梯度下降中，在计算微分求导项时，我们需要进行求和运算，所以，在每一个单独的梯度下降中，我们最终都要计算这样一个东西，这个项需要对所有个训练样本求和。对了，吴恩达老师的课件里的代码是用的jupyter notebook写的，但是因为jupyter notebook的每个单元格是独立的，所以在一个单元格里定义的东西，另一个单元格里用不了，所以

另外，对于很多技术公司可能会遇到的一些问题，通常来说，正样本的数量很少，甚至有时候是0，也就是说，出现了太多没见过的不同的异常类型，那么对于这些问题，通常应该使用的算法就是异常检测算法。下图的例子是飞机发动机的制造，有很多特征，我们为了方便讲解取其中的两个特征：发动机产生的热量和震动强度，然后数据集是m个（发动机，每个发动机有两个特征），我们这个异常检测的问题就是测试新的数据和原来的数据是否相似，

在PyTorch中，模型的可学习参数（即权重和偏差）包含在模型的参数中，（使用可以进行访问）。state_dict是Python字典对象，它将每一层映射到其参数张量。注意，只有具有可学习参数的层（如卷积层，线性层等）的模型才具有state_dict这一项。目标优化也有state_dict属性，它包含有关优化器的状态信息，以及使用的超参数。因为state_dict的对象是Python字典，所以它们可