其实昨天晚上就想写博客的，但是有个东西一直没搞明白，弄到了十点才从实验室走，希望今天能把他搞明白。现在是2020/9/28 10：12，刚刚装好Redmi的显示器，真香。等等还要去上课的我（除了早上一二节没课，剩下的满课，呜呜呜），先随便写写了。（还有昨天LGD打得真菜，虽然我是一个打LOL不超过十局的人，但是我看了挺多比赛哈哈。
学了啥
首先就是eat pytorch in 20 days的进度了
上一篇博客是day4，也就是1-4，截至昨天学到了day9，也就是3-2，但是中间还是有一些东西我还不是很理解的，等等会做个梳理。今天努力把day10的学完。不行了，先去上课了。
现在是16：54下课刚刚回来，到实验室，把这个写完再开始学习
问题1：backward()的反向传播机制
先上代码：
下面是标量反向传播
import numpy as np
import torch
# f(x) = a*x**2 + b*x + c的导数
x = torch.tensor(0.0,requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c
y.backward()
# 这里没有传参数
dy_dx = x.grad
print(dy_dx)
接着的是非标量的反向传播
import numpy as np
import torch
# f(x) = a*x**2 + b*x + c
x = torch.tensor([[0.0,0.0],[1.0,2.0]],requires_grad = True) # x需要被求导
a = torch.tensor(1.0)
b = torch.tensor(-2.0)
c = torch.tensor(1.0)
y = a*torch.pow(x,2) + b*x + c
gradient = torch.tensor([[1.0,1.0],[1.0,1.0]])
print("x:
",x)
print("y:
",y)
y.backward(gradient = gradient)
# 为什么这里需要传gradient参数
x_grad = x.grad
print("x_grad:
",x_grad)
两个代码的对比，我不明白非标量为什么需要y.backward()中需要传gradient这个参数，并且不清楚这个参数的作用。最后在某篇博文找到了答案
链式求导法则，本质上是求解y的各分量对自变量的导数，然后乘上y对自己分量的梯度。其实这里的1.0可以理解成y对y求导，其结果是1.0。如果把这个tensor改成0.2或者2.3等等的数字，那相当于是这样子的效果。
-
**A = 0.2y[0] + 2.3y[1]**
顺便留两张向量，矩阵求导的公式
问题2：torch.autograd.Function的理解
说是Function的理解，其实是Function的新旧版本实例化方式。
a = F.apply(args)
f = F()
a = f(args)
的区别
第一块代码是新版本的实例化方式，第二块代码是旧版的。我犯的错误是用旧版本的去实例化新版本的class，就发生了报错。因为新旧版本的class写法是不一样的。具体看这个链接。
问题3：是关于python的，先上代码
print(X)
print(torch.squeeze(model.forward(X)>=0.5))
print(torch.squeeze(model.forward(X)<0.5))
temp1 = X[torch.squeeze(model.forward(X)>=0.5)]
temp2 = X[torch.squeeze(model.forward(X)<0.5)]
print(temp1)
print(temp2)
print(X.shape)
print(temp1.shape)
print(temp2.shape)
下面是代码的结果
一直弄不明白X的下标取True or False的时候，会得到什么，最后只要打印出来，看结果是mask，但是我也不是很确定，但目前还没找到答案。
结束啦
今天就到这里吧，虽然说买了显示器，但是我的电脑是超极本，转接口还没到，还是智能看着这个13寸的小屏幕写博客，呜呜呜。其实它中午的时候到菜鸟驿站了，但是因为上课没法去拿，等等去拿一下，然后给大家上个照片hhh