一、基本名词
-
张量 (Tensor)：张量是多维数组的概念，是深度学习中的基本数据结构。它可以是标量（0维）、向量（1维）、矩阵（2维）或者更高维的数据结构。
-
训练模型 (Training a Model)：训练模型是指通过使用大量的已标注数据来调整模型的参数，使其能够根据输入数据做出正确的预测。
-
损失函数 (Loss Function)：损失函数是用来衡量模型预测结果与真实值之间差距的函数。目标是最小化损失函数，以提高模型的准确度。常见的损失函数有均方误差（MSE）和交叉熵损失（Cross-Entropy Loss）。
-
优化器 (Optimizer)：优化器是用来更新模型参数（如权重和偏置）的算法。优化器的作用是通过最小化损失函数来改善模型的预测能力。常见的优化器有随机梯度下降（SGD）、Adam 和 RMSProp。
-
梯度 (Gradient)：梯度是损失函数对模型参数的导数，表示损失函数相对于每个参数变化的敏感度。通过计算梯度，可以知道如何调整参数以减少损失。
-
前向传播 (Forward Propagation)：前向传播是指将输入数据通过神经网络层层计算，最终得到预测结果的过程。每一层的输出是上一层输入的变换。
-
反向传播 (Backward Propagation)：反向传播是训练神经网络时，用于计算梯度并更新参数的过程。它通过链式法则将误差（损失）从输出层传递回输入层，并计算每一层的梯度，从而优化网络参数。
打个比喻：
我（深度学习）参加一场考试，考试的科目是张量（基本数据结构）。我需要通过不断刷题（训练模型）来提高自己，同时在每次做题后，我会记录错误并计算错题（损失函数），然后根据这些错题进行改正（优化器优化）。通过多次测试，我查漏补缺（计算梯度），吸取教训（反向传播），逐渐提高解题能力（前向传播），最终在"正式考试"中取得更好的成绩。
二、深度学习的基本流程
三、Pytorch常见的模型
-
线性回归模型 (Linear Regression)：用于回归任务，通过学习输入特征与目标变量之间的线性关系来预测结果。适用于简单的数值预测问题。
-
卷积神经网络 (CNN, Convolutional Neural Network)：广泛应用于图像处理任务，如图像分类、目标检测等。通过卷积层自动提取图像特征，具有良好的空间特征学习能力。
-
循环神经网络 (RNN, Recurrent Neural Network)：用于处理序列数据（如文本、时间序列等），能通过隐藏状态捕捉数据中的时序信息。特别适用于自然语言处理任务。
-
长短时记忆网络 (LSTM, Long Short-Term Memory)：RNN 的一种改进形式，能够更好地解决梯度消失问题，适用于长序列数据处理，比如文本生成、语音识别等。
-
生成对抗网络 (GAN, Generative Adversarial Network)：由生成器和判别器组成，生成器负责生成假数据，判别器负责区分真假数据。常用于生成任务，如图像生成、风格迁移等。