2.1pytorch 基础练习
注意：import torch
创建一个空张量
基于现有的tensor，创建一个新tensor，从而可以利用原有的tensor的dtype，device，size之类的属性信息，tensor new_* 方法，利用原来tensor的dtype，device。
转置
遇到的问题：先运行下面的代码，显示‘m' is'n defined.
解决方法，先运行上面的带有import torch那段代码，再运行下一段，运行结果如下：
matlabplotlib 只能显示numpy类型的数据，下面展示了转换数据类型，然后显示
randn 是生成均值为 0， 方差为 1 的随机数
下面是生成 1000 个随机数，并按照 100 个 bin 统计直方图
100000时需要时间很长，所以截图的10000的，相比1000个数，正态分布更加明显。
2.2螺旋数据分类
引入基本的库，然后初始化重要参数
初始化 X 和 Y。 X 可以理解为特征矩阵，Y可以理解为样本标签。 结合代码可以看到，X的为一个 NxC 行， D 列的矩阵。C 类样本，每类样本是 N个，所以是 N*C 行。每个样本的特征维度是2，所以是 2列。
在 python 中，调用 zeros 类似的函数，第一个参数是 y方向的，即矩阵的行；第二个参数是 x方向的，即矩阵的列。下面结合代码看看 3000个样本的特征是如何初始化的。
(1)构建线性模型分布
score, predicted = torch.max(y_pred, 1) 是沿着第二个方向（即X方向）提取最大值。最大的那个值存在 score 中，所在的位置（即第几列的最大）保存在 predicted 中。
每一次反向传播前，都要把梯度清零原因：https://www.zhihu.com/question/303070254
使用 print(y_pred.shape) 可以看到模型的预测结果，为[3000, 3]的矩阵。每个样本的预测结果为3个，保存在 y_pred 的一行里。值最大的一个，即为预测该样本属于的类别
（2）构建两层神经网络分布
和构建线性模型分布的区别：加入了激活函数ReLU，分类的准确率增加。
