C'est un petit résumé de l'étude.

#Le code suivant est dansjupyter notebookEn cours d'exécution
import torch   
c=torch.arange(20).reshape(2,5,2)
c,c.sum(axis=0)   #(2,5,2)Le premier2Disparaître,Deux.（5,2）Ajouter
#Résultats des opérations
(tensor([[[ 0,  1],
          [ 2,  3],
          [ 4,  5],
          [ 6,  7],
          [ 8,  9]],
 
         [[10, 11],
          [12, 13],
          [14, 15],
          [16, 17],
          [18, 19]]]),
 tensor([[10, 12],
         [14, 16],
         [18, 20],
         [22, 24],
         [26, 28]]))

c=torch.arange(20).reshape(2,5,2)
c,c.sum(axis=1)    #(2,5,2)Deuxième5Disparaître,Deux.（5,2）Devenir（1,2）Ajouter
#Résultats des opérations
(tensor([[[ 0,  1],
          [ 2,  3],
          [ 4,  5],
          [ 6,  7],
          [ 8,  9]],
 
         [[10, 11],
          [12, 13],
          [14, 15],
          [16, 17],
          [18, 19]]]),
 tensor([[20, 25],
         [70, 75]]))

c=torch.arange(20).reshape(2,5,2)
c,c.sum(axis=2)     #(2,5,2)Troisième2Disparaître,Devenir（2,5）
#Résultats des opérations
(tensor([[[ 0,  1],
          [ 2,  3],
          [ 4,  5],
          [ 6,  7],
          [ 8,  9]],
 
         [[10, 11],
          [12, 13],
          [14, 15],
          [16, 17],
          [18, 19]]]),
 tensor([[ 1,  5,  9, 13, 17],
         [21, 25, 29, 33, 37]]))

c=torch.arange(20).reshape(2,5,2)
c,c.sum(axis=1,keepdims=True).shape
#Exécution de la capture d'écran
(tensor([[[ 0,  1],
          [ 2,  3],
          [ 4,  5],
          [ 6,  7],
          [ 8,  9]],
 
         [[10, 11],
          [12, 13],
          [14, 15],
          [16, 17],
          [18, 19]]]),
 torch.Size([2, 1, 2]))

Pour un modèle de régression linéaire
1.Générer un ensemble de données.
2.Lire l'ensemble de données.
3.Paramètres du modèle d'initialisation.
4.Définir le modèle
5.Fonction de perte
6.Algorithme d'optimisation
7.Formation