從0開始學Pytorch：激活函數與卷積層基礎講解
### 激活函數與卷積層概述 **激活函數**：神經網絡需非線性變換擬合複雜關係，激活函數引入非線性。常見函數： - **ReLU**：`y = max(0, x)`，計算簡單，解決梯度消失，最常用（PyTorch：`nn.ReLU()`）。 - **Sigmoid**：`y = 1/(1+exp(-x))`，輸出(0,1)用於二分類，但梯度消失（PyTorch：`nn.Sigmoid()`）。 - **Tanh**：`y=(exp(x)-exp(-x))/(exp(x)+exp(-x))`，輸出(-1,1)，均值0，易訓練但仍有梯度消失（PyTorch：`nn.Tanh()`）。 **卷積層**：CNN核心，通過卷積核提取局部特徵。基本概念：輸入（如RGB圖像，形狀`(batch, in_channels, H, W)`）、卷積核（小矩陣）、步長（滑動像素數）、填充（邊緣補0控輸出尺寸）。PyTorch用`nn.Conv2d`實現，關鍵參數：`in_channels`（輸入
閱讀全文Pytorch入門教程：手把手教你搭建第一個神經網絡模型
本文是PyTorch入門教程，通過搭建基於MNIST數據集的全連接神經網絡（MLP）模型，講解核心操作。首先安裝PyTorch（CPU/GPU版），使用torchvision加載MNIST數據集，經ToTensor轉換爲張量、Normalize標準化後，用DataLoader批量處理（batch_size=64）。模型定義爲輸入層784（28×28圖像展平）、隱藏層128（ReLU激活）、輸出層10（Softmax）的MLP，繼承nn.Module實現前向傳播。損失函數選CrossEntropyLoss，優化器用SGD（lr=0.01）。訓練5個epoch，循環執行前向傳播、損失計算、反向傳播與參數更新，每100batch打印損失。測試時模型設爲eval模式，禁用梯度計算，計算測試集準確率。教程還建議擴展方向，如調整網絡結構、更換優化器或數據集等。
閱讀全文零基礎學Pytorch：從張量到神經網絡的入門指南
這篇文章介紹了PyTorch的核心內容及基礎應用。PyTorch以靈活直觀、語法接近Python著稱，適合深度學習初學者，支持GPU加速和自動求導。核心內容包括： 1. **張量（Tensor）**：基礎數據結構，類似多維數組，支持從數據、全0/1、隨機數創建，可與NumPy互轉，支持形狀操作、算術運算（元素級/矩陣）及設備轉換（CPU/GPU）。 2. **自動求導**：通過`autograd`實現自動微分，設置`requires_grad=True`的張量會被追蹤計算歷史，調用`backward()`自動計算梯度，如函數`y=x²+3x-5`在`x=2`時梯度爲7.0。 3. **神經網絡構建**：基於`torch.nn`模塊，包含線性層（`nn.Linear`）、激活函數、損失函數（如MSE）和優化器（如SGD），支持自定義模型類和`nn.Sequential`組合。 4. **實戰線性迴歸**：生成模擬數據`y=2x+3+噪聲`，定義線性模型、MSE損失、
閱讀全文