电给我疲乏衰弱的身躯注入了最宝贵的东西——生命的活力、精神的活力。

对pytorch来说，每个张量都有一个 grad_fn 方法，这个方法包含着创建盖章量的运算的导数信息，在反向传播的过程中，通过传入后一层的神经网络的梯度，该函数会计算出参与运算的所有张量的梯度，grad_fn 方法本身也携带有一个 next_function 属性，包含链接盖章量的其他张量的 grad_fn ，通过不断反向传播回溯中间张量的计算节点，可以得到所有张量的梯度，一个张量的梯度张量的信

最后一个和大小有关的函数是排序函数sort（默认是从小到大，如果需要从大到小排序，则需要设置参数 descending=True），同样是传入具体需要进行排序的维度，返回的是排序完的张量，记忆对应排序后的元素在原始张量上的位置，如果要知道原始张量还是那的元素沿着某个维度排第几位，只需要对应排序后的元素在原始张量上的位置进行再次排序，得到新位置的值即为原始张量沿着搞方向进行大小排序后的序号，和前面一

具体表述为：这个大小为3的向量会和一个大小为 4×3 的矩阵做矩阵乘法，最终得到一个大小为4 的向量，对于此向量，需要对每个分量求一个激活函数，得到一个层隐藏层的值，同理，将第一层的值乘以 5×4 的矩阵，然后在得到的结构上面再加一个激活函数，就会得到一个大小为5 的向量，这就是第二层隐藏层的值，最后再经过一系列的线性变换和激活函数的作用下得到大小为2的向量，这个向量就是神经网络模型最后的输出值。

在静态图的计算中，构建前向的计算操作的同时也会构建一个反向传播的梯度计算，这样前向的计算图构建完毕伴随着反向计算图的构建完毕，有了损失函数之后，就可以从损失函数所在的张量的边开始逐渐沿着反向计算图获取对应的梯度与静态图的构建相比，动态图在构建前向计算图的时候则是给每个输出张量绑定一个反向传播的梯度计算函数，当计算图达到最终的损失函数的张量的时候，直接调用该张量对应的反向传播函数，并不大根据前向计算

在使用pytorch构建和训练模型的过程中，需要经常把原始数据（比如图片、音频）转化为张量的格式，为了方便地批量处理图片数据，pytorch引入了一系列工具来对这个过程进行包装pytorch提供的一个用于数据加载的工具类，用于批量加载数据并为模型提供输入。它可以将数据集包装成一个可迭代的对象，方便地进行数据加载和批处理操作。

在静态图的计算中，构建前向的计算操作的同时也会构建一个反向传播的梯度计算，这样前向的计算图构建完毕伴随着反向计算图的构建完毕，有了损失函数之后，就可以从损失函数所在的张量的边开始逐渐沿着反向计算图获取对应的梯度与静态图的构建相比，动态图在构建前向计算图的时候则是给每个输出张量绑定一个反向传播的梯度计算函数，当计算图达到最终的损失函数的张量的时候，直接调用该张量对应的反向传播函数，并不大根据前向计算

最后一个和大小有关的函数是排序函数sort（默认是从小到大，如果需要从大到小排序，则需要设置参数 descending=True），同样是传入具体需要进行排序的维度，返回的是排序完的张量，记忆对应排序后的元素在原始张量上的位置，如果要知道原始张量还是那的元素沿着某个维度排第几位，只需要对应排序后的元素在原始张量上的位置进行再次排序，得到新位置的值即为原始张量沿着搞方向进行大小排序后的序号，和前面一

串行通信可以分为异步通信和同步通信两种，异步通信两字符间的时间间隔是不确定的，但是同一字符相邻位的传输的时间间隔是确定的；并行通信是一个字符的每一位都是同时发送的，但需要收发双方具有同频同相的同步时钟，此时只需在传送报文前加上特定的同步字符即可，收发双方就可建立同步。

1. 单片机包括一个8位的微处理器（CPU），CPU共有八个输入，三个内中断，两个外中断，两个频率基准源信号，一个内部总线信号。CPU包括运算器和控制器，并且增加了面向控制的处理功能，可以处理字节数据和位变量。三个内中断包括两个定时器和一个串行口，外中断是计算机感受外部的重要方式，从控制角度来说，外中断越多越好2. 片内数据存储器RAM/SFR（128B/256B）—— RAM可以读写数据，如运算