图的遍历（DFS、BFS)关于图的遍历1.从图的某个顶点出发，访问图中所有顶点，且使每个顶点恰被访问一次的过程被称为图的遍历。2.图中可能存在回路，且图的任一顶点都可能与其他顶点相通，在访问完某个顶点之后可能会沿着某些边又回到了曾经访问过的顶点。3.为了避免重复访问，可设置一个标志顶点是否被访问过的辅助数组vis[ ]，它的初始状态为0，在图的遍历过程中，一旦某一个顶点i被访问，就立即让**vis

另：有的教程里说会在bash_profile里面加路径，我vim了一下发现我的系统里没有这个文件，我就直接在zshrc里面加的，他们的具体关系我不是很清楚，但是看其他教程里讲好像是需要在.zshrc里再source一下bash_profile的，感兴趣的小伙伴可以再找一下~安装后前面的括号应该会出现（pytorch） ，这时可以输入python打开python解释器，再输入import pytor

模型介绍、代码详解、模型拓展

评价类问题，充分利用原始数据的信息，精确反应各个评价方案之间的差距。公式不唯一公式不唯一（但我也没想到更好的）不唯一不唯一，这只是前人论文中用的较多的一种标准化方法。未完待续…...

之前可以使用穷举的方法逐个测试找使损失函数最小的点（即找最优权重），但权重过多时，会使穷举变得非常困难，因此需要优化，梯度下降法就是其中一种优化方式。要找到最小值的点，可以让点沿着下降最快的方向移动，梯度的负方向（即负的cost对w的导数）就是下降最快的方向，w随之更新。梯度下降并行度更好，时间复杂度低，但是性能较差。（实话讲这里没听懂老师说的原因，只知道结论了，先记录下来）图中公式的α值代表学习

在PyTorch中，torch.Tensor类是存储和变换数据的重要工具，相比于Numpy，Tensor提供GPU计算和自动求梯度等更多功能，在深度学习中，我们经常需要对函数求梯度（gradient）。里面包含两个比较重要的成员data（比如权重值）和grad（损失函数对权重的导数）有两个重要的成员，一个是data（保存权重w），一个是grad（保存损失函数对权重的导数）。对于简单的模型，梯度变换

这个时候我发现想new一个文件的时候没有d2l的环境，会导致import torch报错没有这个moudule。安装好后，我尝试了很久能不能pycharm中运行，发现不可以，d2l这个包一直无法导入，于是只能尝试用jupyter notebook运行。我一开始没管，进入了d2l环境，conda list之后发现没有ipykernel的文件，于是在在虚拟环境中添加kernel模块。最后一步输入后，出

1.准备数据集 dataset和dataloader 2.设计模型 3.构造损失函数和优化器4.训练过程前馈（算损失）、反馈（算梯度）、更新（用梯度下降更新）

当需要多分类的时候，会输出一个分布，这些分布需要满足`P(y = i) >=0 和 所有的P值加起来=1`，使用softmax可以实现。