Task01 线性回归；Softmax与分类模型；多层感知机
经过第一天的学习，加深了自己对于深度学习基础知识理解。虽然之前自己对于这方面的知识有过了解，但还是有不清楚的地方。下面是对自己的知识进行查漏补缺的一个总结。
线性回归
在线性回归课程中，对于两个形状相同的类做按元素运算，对于形状不同的两个类按元素运算时，可能会触发广播机制：先适当复制元素使这两个类形状相同后再按元素运算。
其中的广播机制常常在矩阵的维度不同时使用。
在线性回归中，对于损失函数中的预测值和实际值的理解是这次的收获之一。其中y _hat的形状是[n,1]，而y的形状是[n]，两者相减得到的结果的形状是[n,n]。在pytorch中，利用view函数，是的两者形状一致，便可以相减。
Softmax与分类模型
在这一讲的课程中，提到了梯度清零这个概念。在pytorch深度学习框架中，加入了梯度累加机制，是的模型的训练速率加快，但有时我们并不需要进行梯度累加，避免前一次训练的梯度对下一次造成影响，这时，我们可以手动清零，降低影响。
多层感知机
验证集、训练集、测试集，这三者之间的关系的区分为后续深度学习的系统学习打下了基础。训练集是模型训练时使用的数据集，而测试集是指在模型训练好后，测试模型性能的数据集；验证集是指在每一次训练完成后，对于模型进行选择的数据集。
Task02 文本预处理；语言模型；循环神经网络
文本预处理；语言模型
与之前的学习不同，这次的学习是基于语言模型的。语言模型是自然语言处理的重要技术。自然语言处理中最常见的数据是文本数据。我们可以把一段自然语言文本看作一段离散的时间序列。语言模型可以用于提升语音识别和机器翻译的性能。
在这一节的学习中，n预案语法是一个很重要的知识点。在语言模型中，当序列长度增加时，计算和存储多个词共同出现的概率的复杂度会呈指数级增加。n元语法通过马尔可夫假设，简化了语言模型的计算。它是基于n-1阶的马尔可夫链的概率语言模型。
循环神经网络
与之前的多层感知机不同，循环神经网络时为了更好地处理时序信息而设计的。它引入状态变量来存储过去的信息，并用其与当前的输入共同决定当前的输出。
循环神经网络常用于处理序列数据，如一段文字或声音、购物或观影的顺序，甚至是图像中的一行或一列像素。因此，循环神经网络有着极为广泛的实际应用，如语言模型、文本分类、机器翻译、语音识别、图像分析、手写识别和推荐系统。
总结
第一次打卡，对于自己之前的知识有了一定的巩固，同时，也了解了自然语言处理方面的知识，拓宽了自己的知识面。自己会坚持下去，继续在深度学习的知识海洋里探索。
来源：CSDN
作者：Alpha 猫
链接：https://blog.csdn.net/qq_45805032/article/details/104317695