重装系统后，需要重新安装git。做一下记录。

前向累积从自变量开始一步步通过中间变量向因变量求导，反向累积从最上层的中间变量开始（其实就是因变量），一步步向自变量求导。例如，以下图片中，均是分子布局，第一张图片中，y向量中的每一个元素都对x进行求导。第二张图片中，y向量的每一个元素都对x向量的每一个元素进行求导。在高等数学里，我们手算多元复合函数求偏导的时候，也会用到计算图，同时采用的是反向累积求导。比如说，标量对一个列向量求导，得到的向量的

python绘图

一个拥有1000个隐藏层的多层感知机，它对于XOR类型的模型而言是高容量的，它可以轻松记住所有训练数据，甚至可以完美贴合所有训练数据（即模型误差（损失）接近0）。测试数据集：全新的数据集（甚至不知道标签是什么），理论上只用一次，绝对不能使用这种数据集来调超参数。验证数据集：从训练数据集中单独抽出来（这一部分不再参与训练）的数据集。）通过这种方式可以更加充分利用数据集的信息，在设定的超参数下得到的平

前向累积从自变量开始一步步通过中间变量向因变量求导，反向累积从最上层的中间变量开始（其实就是因变量），一步步向自变量求导。例如，以下图片中，均是分子布局，第一张图片中，y向量中的每一个元素都对x进行求导。第二张图片中，y向量的每一个元素都对x向量的每一个元素进行求导。在高等数学里，我们手算多元复合函数求偏导的时候，也会用到计算图，同时采用的是反向累积求导。比如说，标量对一个列向量求导，得到的向量的

但是也有缺点：每次只取一个样本，信息量大幅度减少，训练出来的模型不够准确。去求损失函数、进行梯度下降更新参数，对求解时间和求解质量进行了权衡处理。所以，我们采用小批量梯度下降进行参数的迭代。都是标签求和之后对参数的梯度，“求和”这一操作，在样本数量多达数十万乃至上百万的时候，是非常耗性能的。优点是利用了样本和标签的所有信息，最后训练出来的模型是最准确的。上边知道了如何训练出一个线性回归模型，还有一

前向累积从自变量开始一步步通过中间变量向因变量求导，反向累积从最上层的中间变量开始（其实就是因变量），一步步向自变量求导。例如，以下图片中，均是分子布局，第一张图片中，y向量中的每一个元素都对x进行求导。第二张图片中，y向量的每一个元素都对x向量的每一个元素进行求导。在高等数学里，我们手算多元复合函数求偏导的时候，也会用到计算图，同时采用的是反向累积求导。比如说，标量对一个列向量求导，得到的向量的

虽然儿童不一定看得懂，但是高中以上学历肯定看得懂，确定不进来看看嘛~