动手学深度学习

开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第1天，点击查看活动详情 1.datasets下载数据集 这里使用datasets进行下载操作 也可以将网址复制下来后在迅雷等软件上

动手实战一个Kaggle比赛：房价预测。将提供未经调优的数据的预处理、模型的设计和超参数的选择。通过动手操作、仔细观察实验现象、认真分析实验结果并不断调整方法，

我们普遍使用的是小批量随机梯度下降的优化算法来训练模型，只使用了模型的正向传播，即对输入计算模型输出而反向传播的使用就是利用其自动求梯度来大大简化深度学习模型训练算法的实现。

在解决过拟合问题上，我们不仅仅可以采用权重衰减的方法，也可以使用，丢弃法，依据概率来对数据进行丢弃，从而解决过拟合的问题。

为了处理在数据分析过程中出现的缺失数据、重复数据等情况，灵活的运用pandas,numpy中的函数和方法会使我们对数据的处理进一步提升。

根据已有的过拟合问题得出解决方法，权重衰减等价于范数正则化（regularization）。正则化通过为模型损失函数添加惩罚项使学出的模型参数值较小，是应对过拟合的常用手段。

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第15天，点击查看活动详情 1.训练误差和泛化误差 在一些实验中，改变实验中的模型结构或者超参数，当模型在训练数据集上更准确时，它

多层感知机就是将单层的神经网络通过使用激活函数等方式进行到多层神经网络上去，这是在单层神经网络的基础上引入了一个到多个隐藏层。

持续创作，加速成长！这是我参与「掘金日新计划 · 10 月更文挑战」的第12天，点击查看活动详情 1.环境配置要求及常见问题 pytorch 1.12.1 numpy 1.21.5 d2l包0.17.

线性回归的详细学习，从原理到最后的训练完成，再到学习过程中出现的错误，大致上可以完全跑通，后续代码理解仍需继续努力。

深度学习中线性回归的特点以及基础优化算法中的梯度下降算法的初步理解和总结，进行简要的概括梯度下降算法中的两个重要的超参数是批量大小和学习率。

为了能用深度学习来解决现实世界的问题，我们经常从预处理原始数据开始， 而不是从那些准备好的张量格式数据开始。 在Python中常用的数据分析工具中，我们通常使用pandas软件包。

为了能够完成各种数据操作，我们需要某种方法来存储和操作数据。 通常，我们需要做两件重要的事：（1）获取数据；（2）将数据读入计算机后对其进行处理。如果没有某种方法来存储数据，那么获取数据是没有意义的。