废话不多，方法简单：module 'numpy' has no attribute 'bool'

对一个非标量值进行反向传播（backward pass），但没有提供梯度（grad）的参数。在自动微分中，我们通常对标量（单个数值）进行反向传播，计算该标量对某些输入张量的梯度。如果反向传播的输出不是标量，就需要显式地指定一个与输出同形状的张量来表示梯度。2. 通过提供梯度参数，就相当于告诉PyTorch如何对非标量输出进行反向传播。同形状的张量，并且包含了损失函数对每个元素的梯度。，因为可能不同

简单迅捷

综上，图中损失曲线均收敛至20000左右，没有出现回荡现象，因此学习率不优先修改。收敛值过高，怀疑可能是局部最优了，所以优先调节batch size。但是后续发现，我这边的代码真的不太好，效果很差，所以要考虑一下是不是损失函数太简单了，方法论不太好！：学习率太大，一步前进的路程太长，会出现来回震荡的情况，但是学习率太小，收敛速度会比较慢。终端第1列：epochs，第2列：训练损失(蓝色曲线)，第3

雅可比矩阵是对多元函数的导数进行梯度扩展的一种矩阵表示。对于一个具有m个输入和n个输出的函数，雅可比矩阵的大小为n×m。雅可比矩阵中的每个元素表示了输出分量相对于输入分量的偏导数。自动求导是PyTorch的一项重要功能。在计算过程中，PyTorch会为每个参与计算的张量建立一个计算图，用于记录计算过程中涉及的操作和张量之间的依赖关系，基于这个计算图，PyTorch可以根据链式法则自动计算函数的导数

废话不多，方法简单：RuntimeError: mat1 and mat2 shapes cannot be multiplied (1x16 and 20x64)

废话不多，方法简单：AttributeError: 'numpy.ndarray' object has no attribute 'iloc'