决定用两个星期读完这本书，并自己用Pytorch搭建一个模型。
2019.8.5
第一章深度学习介绍
明确学习目标：
- 深度学习难点不是深度学习本身，难的是你要吃透问题，如何用深度学习的逻辑去思考你自己的问题，有针对性地设计模型
- 难的是你有分析问题贺结果的能力，遇到负面结果不是抓瞎。
2019.8.6
第三章 PyTorch基础知识
在GPU上Tensor 加速计算,常见Tensor类型:
| Date |
CPU tensor |
GPU tensor |
| 32-bit floating point |
torch.FloatTensor |
torsh.cuda.FloatTensor |
| 64-bit floating point |
torch.DoubleTensor |
torsh.cuda.DoubleTensor |
| 16-bit floating point |
torch.HalfTensor |
torsh.cuda.HalfTensor |
| 8-bit integer(unsigned) |
torch.ByteTensor |
torsh.cuda.ByteTensor |
| 8-bit integer(signed) |
torch.CharTensor |
torsh.cuda.CharTensor |
| 16-bit integer(signed) |
torch.ShortTensor |
torsh.cuda.ShortTensor |
| 32-bit integer(signed) |
torch.IntTensor |
torsh.cuda.IntTensor |
| 64-bit integer(signed) |
torch.LongTensor |
torsh.cuda.LongTensor |
构造矩阵:torch.Tensor(4,5)#4*5矩阵
矩阵加法:torch.add(a,b) # 矩阵a+b
Tensor转numpy:b=z.numpy()#z转numpy
numpy转Tensor:#
去除dim维并返回:torch.squeeze(input,dim,out=None)
数学操作:torch.abs/torch.acos/torch.add
数理统计:torch.mean(input)/torch.mean(input,dim,out=None)#输入张量input指定维度dim中每行的平均值
比较操作:torch.eq#比较元素相等/torch.ge/torch.gt
2019.8.7.
第四章 简单案例入门
