Refine nn, logistic regression

7 years ago · b4e8ebcb05
--- a/2_pytorch/1_NN/deep-nn.ipynb
+++ b/2_pytorch/1_NN/deep-nn.ipynb
@@ -99,8 +99,8 @@
   ],
   "source": [
    "# 使用内置函数下载 mnist 数据集\n",
    "train_set = mnist.MNIST('./data', train=True, download=True)\n",
    "test_set = mnist.MNIST('./data', train=False, download=True)"
    "train_set = mnist.MNIST('../../data/mnist', train=True, download=True)\n",
    "test_set  = mnist.MNIST('../../data/mnist', train=False, download=True)"
   ]
  },
  {
@@ -491,7 +491,7 @@
    "        train_loss += loss.data[0]\n",
    "        # 计算分类的准确率\n",
    "        _, pred = out.max(1)\n",
    "        num_correct = (pred == label).sum().data[0]\n",
    "        num_correct = float((pred == label).sum().data[0])\n",
    "        acc = num_correct / im.shape[0]\n",
    "        train_acc += acc\n",
    "        \n",
@@ -510,7 +510,7 @@
    "        eval_loss += loss.data[0]\n",
    "        # 记录准确率\n",
    "        _, pred = out.max(1)\n",
    "        num_correct = (pred == label).sum().data[0]\n",
    "        num_correct = flot((pred == label).sum().data[0])\n",
    "        acc = num_correct / im.shape[0]\n",
    "        eval_acc += acc\n",
    "        \n",
--- a/2_pytorch/1_NN/deep-nn.py
+++ b/2_pytorch/1_NN/deep-nn.py
@@ -0,0 +1,233 @@
 # -*- coding: utf-8 -*-
 # ---
 # jupyter:
 #   jupytext_format_version: '1.2'
 #   kernelspec:
 #     display_name: Python 3
 #     language: python
 #     name: python3
 #   language_info:
 #     codemirror_mode:
 #       name: ipython
 #       version: 3
 #     file_extension: .py
 #     mimetype: text/x-python
 #     name: python
 #     nbconvert_exporter: python
 #     pygments_lexer: ipython3
 #     version: 3.5.2
 # ---
 # # 深层神经网络
 # 前面一章我们简要介绍了神经网络的一些基本知识，同时也是示范了如何用神经网络构建一个复杂的非线性二分类器，更多的情况神经网络适合使用在更加复杂的情况，比如图像分类的问题，下面我们用深度学习的入门级数据集 MNIST 手写体分类来说明一下更深层神经网络的优良表现。
 #
 # ## MNIST 数据集
 # mnist 数据集是一个非常出名的数据集，基本上很多网络都将其作为一个测试的标准，其来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST)。 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员，一共有 60000 张图片。 测试集(test set) 也是同样比例的手写数字数据，一共有 10000 张图片。
 #
 # 每张图片大小是 28 x 28 的灰度图，如下
 #
 # ![](https://ws3.sinaimg.cn/large/006tKfTcly1fmlx2wl5tqj30ge0au745.jpg)
 #
 # 所以我们的任务就是给出一张图片，我们希望区别出其到底属于 0 到 9 这 10 个数字中的哪一个。
 #
 # ## 多分类问题
 # 前面我们讲过二分类问题，现在处理的问题更加复杂，是一个 10 分类问题，统称为多分类问题，对于多分类问题而言，我们的 loss 函数使用一个更加复杂的函数，叫交叉熵。
 #
 # ### softmax
 # 提到交叉熵，我们先讲一下 softmax 函数，前面我们见过了 sigmoid 函数，如下
 #
 # $$s(x) = \frac{1}{1 + e^{-x}}$$
 #
 # 可以将任何一个值转换到 0 ~ 1 之间，当然对于一个二分类问题，这样就足够了，因为对于二分类问题，如果不属于第一类，那么必定属于第二类，所以只需要用一个值来表示其属于其中一类概率，但是对于多分类问题，这样并不行，需要知道其属于每一类的概率，这个时候就需要 softmax 函数了。
 #
 # softmax 函数示例如下
 #
 # ![](https://ws4.sinaimg.cn/large/006tKfTcly1fmlxtnfm4fj30ll0bnq3c.jpg)
 #
 # 对于网络的输出 $z_1, z_2, \cdots z_k$，我们首先对他们每个都取指数变成 $e^{z_1}, e^{z_2}, \cdots, e^{z_k}$，那么每一项都除以他们的求和，也就是
 #
 # $$
 # z_i \rightarrow \frac{e^{z_i}}{\sum_{j=1}^{k} e^{z_j}}
 # $$
 #
 # 如果对经过 softmax 函数的所有项求和就等于 1，所以他们每一项都分别表示属于其中某一类的概率。
 #
 # ## 交叉熵
 # 交叉熵衡量两个分布相似性的一种度量方式，前面讲的二分类问题的 loss 函数就是交叉熵的一种特殊情况，交叉熵的一般公式为
 #
 # $$
 # cross\_entropy(p, q) = E_{p}[-\log q] = - \frac{1}{m} \sum_{x} p(x) \log q(x)
 # $$
 #
 # 对于二分类问题我们可以写成
 #
 # $$
 # -\frac{1}{m} \sum_{i=1}^m (y^{i} \log sigmoid(x^{i}) + (1 - y^{i}) \log (1 - sigmoid(x^{i}))
 # $$
 #
 # 这就是我们之前讲的二分类问题的 loss，当时我们并没有解释原因，只是给出了公式，然后解释了其合理性，现在我们给出了公式去证明这样取 loss 函数是合理的
 #
 # 交叉熵是信息理论里面的内容，这里不再具体展开，更多的内容，可以看到下面的[链接](http://blog.csdn.net/rtygbwwwerr/article/details/50778098)
 #
 # 下面我们直接用 mnist 举例，讲一讲深度神经网络
 # +
 import numpy as np
 import torch
 from torchvision.datasets import mnist # 导入 pytorch 内置的 mnist 数据
 from torch import nn
 from torch.autograd import Variable
 # -
 # 使用内置函数下载 mnist 数据集
 train_set = mnist.MNIST('../../data/mnist', train=True, download=True)
 test_set  = mnist.MNIST('../../data/mnist', train=False, download=True)
 # 我们可以看看其中的一个数据是什么样子的
 a_data, a_label = train_set[0]
 a_data
 a_label
 # 这里的读入的数据是 PIL 库中的格式，我们可以非常方便地将其转换为 numpy array
 a_data = np.array(a_data, dtype='float32')
 print(a_data.shape)
 # 这里我们可以看到这种图片的大小是 28 x 28
 print(a_data)
 # 我们可以将数组展示出来，里面的 0 就表示黑色，255 表示白色
 #
 # 对于神经网络，我们第一层的输入就是 28 x 28 = 784，所以必须将得到的数据我们做一个变换，使用 reshape 将他们拉平成一个一维向量
 # +
 def data_tf(x):
    x = np.array(x, dtype='float32') / 255
    x = (x - 0.5) / 0.5 # 标准化，这个技巧之后会讲到
    x = x.reshape((-1,)) # 拉平
    x = torch.from_numpy(x)
    return x
 train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换
 test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)
 # -
 a, a_label = train_set[0]
 print(a.shape)
 print(a_label)
 from torch.utils.data import DataLoader
 # 使用 pytorch 自带的 DataLoader 定义一个数据迭代器
 train_data = DataLoader(train_set, batch_size=64, shuffle=True)
 test_data = DataLoader(test_set, batch_size=128, shuffle=False)
 # 使用这样的数据迭代器是非常有必要的，如果数据量太大，就无法一次将他们全部读入内存，所以需要使用 python 迭代器，每次生成一个批次的数据
 a, a_label = next(iter(train_data))
 # 打印出一个批次的数据大小
 print(a.shape)
 print(a_label.shape)
 # 使用 Sequential 定义 4 层神经网络
 net = nn.Sequential(
    nn.Linear(784, 400),
    nn.ReLU(),
    nn.Linear(400, 200),
    nn.ReLU(),
    nn.Linear(200, 100),
    nn.ReLU(),
    nn.Linear(100, 10)
 )
 net
 # 交叉熵在 pytorch 中已经内置了，交叉熵的数值稳定性更差，所以内置的函数已经帮我们解决了这个问题
 # 定义 loss 函数
 criterion = nn.CrossEntropyLoss()
 optimizer = torch.optim.SGD(net.parameters(), 1e-1) # 使用随机梯度下降，学习率 0.1
 # + {"scrolled": true}
 # 开始训练
 losses = []
 acces = []
 eval_losses = []
 eval_acces = []
 for e in range(20):
    train_loss = 0
    train_acc = 0
    net.train()
    for im, label in train_data:
        im = Variable(im)
        label = Variable(label)
        # 前向传播
        out = net(im)
        loss = criterion(out, label)
        # 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        # 记录误差
        train_loss += loss.data[0]
        # 计算分类的准确率
        _, pred = out.max(1)
        num_correct = float((pred == label).sum().data[0])
        acc = num_correct / im.shape[0]
        train_acc += acc
    losses.append(train_loss / len(train_data))
    acces.append(train_acc / len(train_data))
    # 在测试集上检验效果
    eval_loss = 0
    eval_acc = 0
    net.eval() # 将模型改为预测模式
    for im, label in test_data:
        im = Variable(im)
        label = Variable(label)
        out = net(im)
        loss = criterion(out, label)
        # 记录误差
        eval_loss += loss.data[0]
        # 记录准确率
        _, pred = out.max(1)
        num_correct = flot((pred == label).sum().data[0])
        acc = num_correct / im.shape[0]
        eval_acc += acc
    eval_losses.append(eval_loss / len(test_data))
    eval_acces.append(eval_acc / len(test_data))
    print('epoch: {}, Train Loss: {:.6f}, Train Acc: {:.6f}, Eval Loss: {:.6f}, Eval Acc: {:.6f}'
          .format(e, train_loss / len(train_data), train_acc / len(train_data), 
                     eval_loss / len(test_data), eval_acc / len(test_data)))
 # -
 # 画出 loss 曲线和 准确率曲线
 import matplotlib.pyplot as plt
 # %matplotlib inline
 plt.title('train loss')
 plt.plot(np.arange(len(losses)), losses)
 plt.plot(np.arange(len(acces)), acces)
 plt.title('train acc')
 plt.plot(np.arange(len(eval_losses)), eval_losses)
 plt.title('test loss')
 plt.plot(np.arange(len(eval_acces)), eval_acces)
 plt.title('test acc')
 # 可以看到我们的三层网络在训练集上能够达到 99.9% 的准确率，测试集上能够达到 98.20% 的准确率
 # **小练习：看一看上面的训练过程，看一下准确率是怎么计算出来的，特别注意 max 这个函数**
 #
 # **自己重新实现一个新的网络，试试改变隐藏层的数目和激活函数，看看有什么新的结果**
--- a/2_pytorch/1_NN/optimizer/adam.ipynb
+++ b/2_pytorch/1_NN/optimizer/adam.ipynb
@@ -47,9 +47,7 @@
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {
    "collapsed": true
   },
   "metadata": {},
   "outputs": [],
   "source": [
    "def adam(parameters, vs, sqrs, lr, t, beta1=0.9, beta2=0.999):\n",
@@ -65,9 +63,7 @@
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {
    "collapsed": true
   },
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
@@ -87,8 +83,8 @@
    "    x = torch.from_numpy(x)\n",
    "    return x\n",
    "\n",
    "train_set = MNIST('./data', train=True, transform=data_tf, download=True) # 载入数据集，申明定义的数据变换\n",
    "test_set = MNIST('./data', train=False, transform=data_tf, download=True)\n",
    "train_set = MNIST('../../../data/mnist', train=True, transform=data_tf, download=True) # 载入数据集，申明定义的数据变换\n",
    "test_set  = MNIST('../../../data/mnist', train=False, transform=data_tf, download=True)\n",
    "\n",
    "# 定义 loss 函数\n",
    "criterion = nn.CrossEntropyLoss()"
--- a/2_pytorch/1_NN/optimizer/adam.py
+++ b/2_pytorch/1_NN/optimizer/adam.py
@@ -79,8 +79,8 @@ def data_tf(x):
    x = torch.from_numpy(x)
    return x
 train_set = MNIST('./data', train=True, transform=data_tf, download=True) # 载入数据集，申明定义的数据变换
 test_set = MNIST('./data', train=False, transform=data_tf, download=True)
 train_set = MNIST('../../../data/mnist', train=True, transform=data_tf, download=True) # 载入数据集，申明定义的数据变换
 test_set  = MNIST('../../../data/mnist', train=False, transform=data_tf, download=True)
 # 定义 loss 函数
 criterion = nn.CrossEntropyLoss()
--- a/2_pytorch/2_CNN/batch-normalization.ipynb
+++ b/2_pytorch/2_CNN/batch-normalization.ipynb
@@ -64,8 +64,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-23T06:50:51.579067Z",
     "start_time": "2017-12-23T06:50:51.575693Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -82,8 +81,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-23T07:14:11.077807Z",
     "start_time": "2017-12-23T07:14:11.060849Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -168,8 +166,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-23T07:32:48.025709Z",
     "start_time": "2017-12-23T07:32:48.005892Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -196,9 +193,7 @@
  {
   "cell_type": "code",
   "execution_count": 5,
   "metadata": {
    "collapsed": true
   },
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np\n",
@@ -215,8 +210,8 @@
   "outputs": [],
   "source": [
    "# 使用内置函数下载 mnist 数据集\n",
    "train_set = mnist.MNIST('./data', train=True)\n",
    "test_set = mnist.MNIST('./data', train=False)\n",
    "train_set = mnist.MNIST('../../data/mnist', train=True)\n",
    "test_set = mnist.MNIST('../../data/mnist', train=False)\n",
    "\n",
    "def data_tf(x):\n",
    "    x = np.array(x, dtype='float32') / 255\n",
@@ -225,8 +220,8 @@
    "    x = torch.from_numpy(x)\n",
    "    return x\n",
    "\n",
    "train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换\n",
    "test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)\n",
    "train_set = mnist.MNIST('../../data/mnist', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换\n",
    "test_set = mnist.MNIST('../../data/mnist', train=False, transform=data_tf, download=True)\n",
    "train_data = DataLoader(train_set, batch_size=64, shuffle=True)\n",
    "test_data = DataLoader(test_set, batch_size=128, shuffle=False)"
   ]
@@ -234,9 +229,7 @@
  {
   "cell_type": "code",
   "execution_count": 7,
   "metadata": {
    "collapsed": true
   },
   "metadata": {},
   "outputs": [],
   "source": [
    "class multi_network(nn.Module):\n",
@@ -263,9 +256,7 @@
  {
   "cell_type": "code",
   "execution_count": 8,
   "metadata": {
    "collapsed": true
   },
   "metadata": {},
   "outputs": [],
   "source": [
    "net = multi_network()"
@@ -426,9 +417,7 @@
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "collapsed": true
   },
   "metadata": {},
   "outputs": [],
   "source": [
    "def data_tf(x):\n",
@@ -438,8 +427,8 @@
    "    x = x.unsqueeze(0)\n",
    "    return x\n",
    "\n",
    "train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换\n",
    "test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)\n",
    "train_set = mnist.MNIST('../../data/mnist', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换\n",
    "test_set = mnist.MNIST('../../data/mnist', train=False, transform=data_tf, download=True)\n",
    "train_data = DataLoader(train_set, batch_size=64, shuffle=True)\n",
    "test_data = DataLoader(test_set, batch_size=128, shuffle=False)"
   ]
@@ -500,9 +489,7 @@
  {
   "cell_type": "code",
   "execution_count": 76,
   "metadata": {
    "collapsed": true
   },
   "metadata": {},
   "outputs": [],
   "source": [
    "# 不使用批标准化\n",
--- a/2_pytorch/2_CNN/batch-normalization.py
+++ b/2_pytorch/2_CNN/batch-normalization.py
@@ -110,8 +110,8 @@ from torch.autograd import Variable
 # +
 # 使用内置函数下载 mnist 数据集
 train_set = mnist.MNIST('./data', train=True)
 test_set = mnist.MNIST('./data', train=False)
 train_set = mnist.MNIST('../../data/mnist', train=True)
 test_set = mnist.MNIST('../../data/mnist', train=False)
 def data_tf(x):
    x = np.array(x, dtype='float32') / 255
@@ -120,8 +120,8 @@ def data_tf(x):
    x = torch.from_numpy(x)
    return x
 train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换
 test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)
 train_set = mnist.MNIST('../../data/mnist', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换
 test_set = mnist.MNIST('../../data/mnist', train=False, transform=data_tf, download=True)
 train_data = DataLoader(train_set, batch_size=64, shuffle=True)
 test_data = DataLoader(test_set, batch_size=128, shuffle=False)
 # -
@@ -193,8 +193,8 @@ def data_tf(x):
    x = x.unsqueeze(0)
    return x
 train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换
 test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)
 train_set = mnist.MNIST('../../data/mnist', train=True, transform=data_tf, download=True) # 重新载入数据集，申明定义的数据变换
 test_set = mnist.MNIST('../../data/mnist', train=False, transform=data_tf, download=True)
 train_data = DataLoader(train_set, batch_size=64, shuffle=True)
 test_data = DataLoader(test_set, batch_size=128, shuffle=False)
--- a/2_pytorch/2_CNN/densenet.ipynb
+++ b/2_pytorch/2_CNN/densenet.ipynb
@@ -35,8 +35,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-22T15:38:31.113030Z",
     "start_time": "2017-12-22T15:38:30.612922Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -64,8 +63,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-22T15:38:31.121249Z",
     "start_time": "2017-12-22T15:38:31.115369Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -92,8 +90,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-22T15:38:31.145274Z",
     "start_time": "2017-12-22T15:38:31.123363Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -163,8 +160,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-22T15:38:31.222120Z",
     "start_time": "2017-12-22T15:38:31.215770Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -226,8 +222,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-22T15:38:31.318822Z",
     "start_time": "2017-12-22T15:38:31.236857Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -298,8 +293,7 @@
    "ExecuteTime": {
     "end_time": "2017-12-22T15:38:32.894729Z",
     "start_time": "2017-12-22T15:38:31.656356Z"
    },
    "collapsed": true
    }
   },
   "outputs": [],
   "source": [
@@ -313,9 +307,9 @@
    "    x = torch.from_numpy(x)\n",
    "    return x\n",
    "     \n",
    "train_set = CIFAR10('./data', train=True, transform=data_tf)\n",
    "train_set = CIFAR10('../../data', train=True, transform=data_tf)\n",
    "train_data = torch.utils.data.DataLoader(train_set, batch_size=64, shuffle=True)\n",
    "test_set = CIFAR10('./data', train=False, transform=data_tf)\n",
    "test_set = CIFAR10('../../data', train=False, transform=data_tf)\n",
    "test_data = torch.utils.data.DataLoader(test_set, batch_size=128, shuffle=False)\n",
    "\n",
    "net = densenet(3, 10)\n",
--- a/2_pytorch/2_CNN/densenet.py
+++ b/2_pytorch/2_CNN/densenet.py
@@ -162,9 +162,9 @@ def data_tf(x):
    x = torch.from_numpy(x)
    return x
 train_set = CIFAR10('./data', train=True, transform=data_tf)
 train_set = CIFAR10('../../data', train=True, transform=data_tf)
 train_data = torch.utils.data.DataLoader(train_set, batch_size=64, shuffle=True)
 test_set = CIFAR10('./data', train=False, transform=data_tf)
 test_set = CIFAR10('../../data', train=False, transform=data_tf)
 test_data = torch.utils.data.DataLoader(test_set, batch_size=128, shuffle=False)
 net = densenet(3, 10)
--- a/2_pytorch/3_RNN/time-series/lstm-time-series.ipynb
+++ b/2_pytorch/3_RNN/time-series/lstm-time-series.ipynb
@@ -377,7 +377,7 @@
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.6.3"
   "version": "3.5.2"
  }
 },
 "nbformat": 4,
--- a/2_pytorch/3_RNN/time-series/lstm-time-series.py
+++ b/2_pytorch/3_RNN/time-series/lstm-time-series.py
@@ -0,0 +1,144 @@
 # -*- coding: utf-8 -*-
 # ---
 # jupyter:
 #   jupytext_format_version: '1.2'
 #   kernelspec:
 #     display_name: Python 3
 #     language: python
 #     name: python3
 #   language_info:
 #     codemirror_mode:
 #       name: ipython
 #       version: 3
 #     file_extension: .py
 #     mimetype: text/x-python
 #     name: python
 #     nbconvert_exporter: python
 #     pygments_lexer: ipython3
 #     version: 3.5.2
 # ---
 # # RNN 用于时间序列的分析
 # 前面我们讲到使用 RNN 做简单的图像分类的问题，但是 RNN 并不擅长此类问题，下面我们讲一讲如何将 RNN 用到时间序列的问题上，因为对于时序数据，后面的数据会用到前面的数据，LSTM 的记忆特性非常适合这种场景。
 # 首先我们可以读入数据，这个数据是 10 年飞机月流量，可视化得到下面的效果。
 import numpy as np
 import pandas as pd
 import matplotlib.pyplot as plt
 # %matplotlib inline
 data_csv = pd.read_csv('./data.csv', usecols=[1])
 plt.plot(data_csv)
 # 首先我们进行预处理，将数据中 `na` 的数据去掉，然后将数据标准化到 0 ~ 1 之间。
 # 数据预处理
 data_csv = data_csv.dropna()
 dataset = data_csv.values
 dataset = dataset.astype('float32')
 max_value = np.max(dataset)
 min_value = np.min(dataset)
 scalar = max_value - min_value
 dataset = list(map(lambda x: x / scalar, dataset))
 # 接着我们进行数据集的创建，我们想通过前面几个月的流量来预测当月的流量，比如我们希望通过前两个月的流量来预测当月的流量，我们可以将前两个月的流量当做输入，当月的流量当做输出。同时我们需要将我们的数据集分为训练集和测试集，通过测试集的效果来测试模型的性能，这里我们简单的将前面几年的数据作为训练集，后面两年的数据作为测试集。
 def create_dataset(dataset, look_back=2):
    dataX, dataY = [], []
    for i in range(len(dataset) - look_back):
        a = dataset[i:(i + look_back)]
        dataX.append(a)
        dataY.append(dataset[i + look_back])
    return np.array(dataX), np.array(dataY)
 # 创建好输入输出
 data_X, data_Y = create_dataset(dataset)
 # 划分训练集和测试集，70% 作为训练集
 train_size = int(len(data_X) * 0.7)
 test_size = len(data_X) - train_size
 train_X = data_X[:train_size]
 train_Y = data_Y[:train_size]
 test_X = data_X[train_size:]
 test_Y = data_Y[train_size:]
 # 最后，我们需要将数据改变一下形状，因为 RNN 读入的数据维度是 (seq, batch, feature)，所以要重新改变一下数据的维度，这里只有一个序列，所以 batch 是 1，而输入的 feature 就是我们希望依据的几个月份，这里我们定的是两个月份，所以 feature 就是 2.
 # +
 import torch
 train_X = train_X.reshape(-1, 1, 2)
 train_Y = train_Y.reshape(-1, 1, 1)
 test_X = test_X.reshape(-1, 1, 2)
 train_x = torch.from_numpy(train_X)
 train_y = torch.from_numpy(train_Y)
 test_x = torch.from_numpy(test_X)
 # -
 from torch import nn
 from torch.autograd import Variable
 # 这里定义好模型，模型的第一部分是一个两层的 RNN，每一步模型接受两个月的输入作为特征，得到一个输出特征。接着通过一个线性层将 RNN 的输出回归到流量的具体数值，这里我们需要用 `view` 来重新排列，因为 `nn.Linear` 不接受三维的输入，所以我们先将前两维合并在一起，然后经过线性层之后再将其分开，最后输出结果。
 # 定义模型
 class lstm_reg(nn.Module):
    def __init__(self, input_size, hidden_size, output_size=1, num_layers=2):
        super(lstm_reg, self).__init__()
        self.rnn = nn.LSTM(input_size, hidden_size, num_layers) # rnn
        self.reg = nn.Linear(hidden_size, output_size) # 回归
    def forward(self, x):
        x, _ = self.rnn(x) # (seq, batch, hidden)
        s, b, h = x.shape
        x = x.view(s*b, h) # 转换成线性层的输入格式
        x = self.reg(x)
        x = x.view(s, b, -1)
        return x
 # +
 net = lstm_reg(2, 4)
 criterion = nn.MSELoss()
 optimizer = torch.optim.Adam(net.parameters(), lr=1e-2)
 # -
 # 定义好网络结构，输入的维度是 2，因为我们使用两个月的流量作为输入，隐藏层的维度可以任意指定，这里我们选的 4
 # 开始训练
 for e in range(1000):
    var_x = Variable(train_x)
    var_y = Variable(train_y)
    # 前向传播
    out = net(var_x)
    loss = criterion(out, var_y)
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    if (e + 1) % 100 == 0: # 每 100 次输出结果
        print('Epoch: {}, Loss: {:.5f}'.format(e + 1, loss.data[0]))
 # 训练完成之后，我们可以用训练好的模型去预测后面的结果
 net = net.eval() # 转换成测试模式
 data_X = data_X.reshape(-1, 1, 2)
 data_X = torch.from_numpy(data_X)
 var_data = Variable(data_X)
 pred_test = net(var_data) # 测试集的预测结果
 # 改变输出的格式
 pred_test = pred_test.view(-1).data.numpy()
 # 画出实际结果和预测的结果
 plt.plot(pred_test, 'r', label='prediction')
 plt.plot(dataset, 'b', label='real')
 plt.legend(loc='best')
 # 这里蓝色的是真实的数据集，红色的是预测的结果，我们能够看到，使用 lstm 能够得到比较相近的结果，预测的趋势也与真实的数据集是相同的，因为其能够记忆之前的信息，而单纯的使用线性回归并不能得到较好的结果，从这个例子也说明了 RNN 对于序列有着非常好的性能。
 # **小练习：试试改变隐藏状态输出的特征数，看看有没有什么改变，同时试试使用简单的线性回归模型，看看会得到什么样的结果**
--- a/2_pytorch/PyTorch_quick_intro.ipynb
+++ b/2_pytorch/PyTorch_quick_intro.ipynb
--- a/2_pytorch/PyTorch快速入门.py
+++ b/2_pytorch/PyTorch快速入门.py
@@ -1,533 +0,0 @@
 # -*- coding: utf-8 -*-
 # ---
 # jupyter:
 #   jupytext_format_version: '1.2'
 #   kernelspec:
 #     display_name: Python 3
 #     language: python
 #     name: python3
 #   language_info:
 #     codemirror_mode:
 #       name: ipython
 #       version: 3
 #     file_extension: .py
 #     mimetype: text/x-python
 #     name: python
 #     nbconvert_exporter: python
 #     pygments_lexer: ipython3
 #     version: 3.5.2
 # ---
 # # PyTorch快速入门
 #
 # PyTorch的简洁设计使得它入门很简单，在深入介绍PyTorch之前，本节将先介绍一些PyTorch的基础知识，使得读者能够对PyTorch有一个大致的了解，并能够用PyTorch搭建一个简单的神经网络。部分内容读者可能暂时不太理解，可先不予以深究，后续的课程将会对此进行深入讲解。
 #
 # 本节内容参考了PyTorch官方教程[^1]并做了相应的增删修改，使得内容更贴合新版本的PyTorch接口，同时也更适合新手快速入门。另外本书需要读者先掌握基础的Numpy使用，其他相关知识推荐读者参考CS231n的教程[^2]。
 #
 # [^1]: http://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html
 # [^2]: http://cs231n.github.io/python-numpy-tutorial/
 # ### Tensor
 #
 # Tensor是PyTorch中重要的数据结构，可认为是一个高维数组。它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）以及更高维的数组。Tensor和Numpy的ndarrays类似，但Tensor可以使用GPU进行加速。Tensor的使用和Numpy及Matlab的接口十分相似，下面通过几个例子来看看Tensor的基本使用。
 from __future__ import print_function
 import torch as t
 # 构建 5x3 矩阵，只是分配了空间，未初始化
 x = t.Tensor(5, 3)  
 x
 # 使用[0,1]均匀分布随机初始化二维数组
 x = t.rand(5, 3)  
 x
 print(x.size()) # 查看x的形状
 x.size()[1], x.size(1) # 查看列的个数, 两种写法等价
 # `torch.Size` 是tuple对象的子类，因此它支持tuple的所有操作，如x.size()[0]
 y = t.rand(5, 3)
 # 加法的第一种写法
 x + y
 # 加法的第二种写法
 t.add(x, y)
 # 加法的第三种写法：指定加法结果的输出目标为result
 result = t.Tensor(5, 3) # 预先分配空间
 t.add(x, y, out=result) # 输入到result
 result
 # +
 print('最初y')
 print(y)
 print('第一种加法，y的结果')
 y.add(x) # 普通加法，不改变y的内容
 print(y)
 print('第二种加法，y的结果')
 y.add_(x) # inplace 加法，y变了
 print(y)
 # -
 # 注意，函数名后面带下划线**`_`** 的函数会修改Tensor本身。例如，`x.add_(y)`和`x.t_()`会改变 `x`，但`x.add(y)`和`x.t()`返回一个新的Tensor， 而`x`不变。
 # Tensor的选取操作与Numpy类似
 x[:, 1]
 # Tensor还支持很多操作，包括数学运算、线性代数、选择、切片等等，其接口设计与Numpy极为相似。更详细的使用方法，会在第三章系统讲解。
 #
 # Tensor和Numpy的数组之间的互操作非常容易且快速。对于Tensor不支持的操作，可以先转为Numpy数组处理，之后再转回Tensor。
 a = t.ones(5) # 新建一个全1的Tensor
 a
 b = a.numpy() # Tensor -> Numpy
 b
 import numpy as np
 a = np.ones(5)
 b = t.from_numpy(a) # Numpy->Tensor
 print(a)
 print(b) 
 # Tensor和numpy对象共享内存，所以他们之间的转换很快，而且几乎不会消耗什么资源。但这也意味着，如果其中一个变了，另外一个也会随之改变。
 b.add_(1) # 以`_`结尾的函数会修改自身
 print(a)
 print(b) # Tensor和Numpy共享内存
 # Tensor可通过`.cuda` 方法转为GPU的Tensor，从而享受GPU带来的加速运算。
 # 在不支持CUDA的机器下，下一步不会运行
 if t.cuda.is_available():
    x = x.cuda()
    y = y.cuda()
    x + y
 # 此处可能发现GPU运算的速度并未提升太多，这是因为x和y太小且运算也较为简单，而且将数据从内存转移到显存还需要花费额外的开销。GPU的优势需在大规模数据和复杂运算下才能体现出来。
 #
 # ### Autograd: 自动微分
 #
 # 深度学习的算法本质上是通过反向传播求导数，而PyTorch的**`Autograd`**模块则实现了此功能。在Tensor上的所有操作，Autograd都能为它们自动提供微分，避免了手动计算导数的复杂过程。
 #  
 # `autograd.Variable`是Autograd中的核心类，它简单封装了Tensor，并支持几乎所有Tensor有的操作。Tensor在被封装为Variable之后，可以调用它的`.backward`实现反向传播，自动计算所有梯度。Variable的数据结构如图2-6所示。
 #
 #
 # ![图2-6:Variable的数据结构](imgs/autograd_Variable.svg)
 #
 #
 # Variable主要包含三个属性。
 # - `data`：保存Variable所包含的Tensor
 # - `grad`：保存`data`对应的梯度，`grad`也是个Variable，而不是Tensor，它和`data`的形状一样。
 # - `grad_fn`：指向一个`Function`对象，这个`Function`用来反向传播计算输入的梯度，具体细节会在下一章讲解。
 from torch.autograd import Variable
 # + {"scrolled": true}
 # 使用Tensor新建一个Variable
 x = Variable(t.ones(2, 2), requires_grad = True)
 x
 # + {"scrolled": true}
 y = x.sum()
 y
 # -
 y.grad_fn
 y.backward() # 反向传播,计算梯度
 # y = x.sum() = (x[0][0] + x[0][1] + x[1][0] + x[1][1])
 # 每个值的梯度都为1
 x.grad 
 # 注意：`grad`在反向传播过程中是累加的(accumulated)，**这意味着每一次运行反向传播，梯度都会累加之前的梯度，所以反向传播之前需把梯度清零。**
 y.backward()
 x.grad
 # + {"scrolled": true}
 y.backward()
 x.grad
 # -
 # 以下划线结束的函数是inplace操作，就像add_
 x.grad.data.zero_()
 y.backward()
 x.grad
 # Variable和Tensor具有近乎一致的接口，在实际使用中可以无缝切换。
 x = Variable(t.ones(4,5))
 y = t.cos(x)
 x_tensor_cos = t.cos(x.data)
 print(y)
 x_tensor_cos
 # ###  神经网络
 #
 # Autograd实现了反向传播功能，但是直接用来写深度学习的代码在很多情况下还是稍显复杂，torch.nn是专门为神经网络设计的模块化接口。nn构建于 Autograd之上，可用来定义和运行神经网络。nn.Module是nn中最重要的类，可把它看成是一个网络的封装，包含网络各层定义以及forward方法，调用forward(input)方法，可返回前向传播的结果。下面就以最早的卷积神经网络：LeNet为例，来看看如何用`nn.Module`实现。LeNet的网络结构如图2-7所示。
 #
 # ![图2-7:LeNet网络结构](imgs/nn_lenet.png)
 #
 # 这是一个基础的前向传播(feed-forward)网络: 接收输入，经过层层传递运算，得到输出。
 #
 # #### 定义网络
 #
 # 定义网络时，需要继承`nn.Module`，并实现它的forward方法，把网络中具有可学习参数的层放在构造函数`__init__`中。如果某一层(如ReLU)不具有可学习的参数，则既可以放在构造函数中，也可以不放，但建议不放在其中，而在forward中使用`nn.functional`代替。
 # +
 import torch.nn as nn
 import torch.nn.functional as F
 class Net(nn.Module):
    def __init__(self):
        # nn.Module子类的函数必须在构造函数中执行父类的构造函数
        # 下式等价于nn.Module.__init__(self)
        super(Net, self).__init__()
        # 卷积层 '1'表示输入图片为单通道, '6'表示输出通道数，'5'表示卷积核为5*5
        self.conv1 = nn.Conv2d(1, 6, 5) 
        # 卷积层
        self.conv2 = nn.Conv2d(6, 16, 5) 
        # 仿射层/全连接层，y = Wx + b
        self.fc1   = nn.Linear(16*5*5, 120) 
        self.fc2   = nn.Linear(120, 84)
        self.fc3   = nn.Linear(84, 10)
    def forward(self, x): 
        # 卷积 -> 激活 -> 池化 
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) 
        # reshape，‘-1’表示自适应
        x = x.view(x.size()[0], -1) 
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)        
        return x
 net = Net()
 print(net)
 # -
 # 只要在nn.Module的子类中定义了forward函数，backward函数就会自动被实现(利用`Autograd`)。在`forward` 函数中可使用任何Variable支持的函数，还可以使用if、for循环、print、log等Python语法，写法和标准的Python写法一致。
 #
 # 网络的可学习参数通过`net.parameters()`返回，`net.named_parameters`可同时返回可学习的参数及名称。
 params = list(net.parameters())
 print(len(params))
 for name,parameters in net.named_parameters():
    print(name,':',parameters.size())
 # forward函数的输入和输出都是Variable，只有Variable才具有自动求导功能，而Tensor是没有的，所以在输入时，需把Tensor封装成Variable。
 # + {"scrolled": true}
 input = Variable(t.randn(1, 1, 32, 32))
 out = net(input)
 out.size()
 # -
 net.zero_grad() # 所有参数的梯度清零
 out.backward(Variable(t.ones(1,10))) # 反向传播
 # 需要注意的是，torch.nn只支持mini-batches，不支持一次只输入一个样本，即一次必须是一个batch。但如果只想输入一个样本，则用 `input.unsqueeze(0)`将batch_size设为１。例如 `nn.Conv2d` 输入必须是4维的，形如$nSamples \times nChannels \times Height \times Width$。可将nSample设为1，即$1 \times nChannels \times Height \times Width$。
 # #### 损失函数
 #
 # nn实现了神经网络中大多数的损失函数，例如nn.MSELoss用来计算均方误差，nn.CrossEntropyLoss用来计算交叉熵损失。
 # + {"scrolled": true}
 output = net(input)
 target = Variable(t.arange(0,10))  
 criterion = nn.MSELoss()
 loss = criterion(output, target)
 loss
 # -
 # 如果对loss进行反向传播溯源(使用`gradfn`属性)，可看到它的计算图如下：
 #
 # ```
 # input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d  
 #       -> view -> linear -> relu -> linear -> relu -> linear 
 #       -> MSELoss
 #       -> loss
 # ```
 #
 # 当调用`loss.backward()`时，该图会动态生成并自动微分，也即会自动计算图中参数(Parameter)的导数。
 # 运行.backward，观察调用之前和调用之后的grad
 net.zero_grad() # 把net中所有可学习参数的梯度清零
 print('反向传播之前 conv1.bias的梯度')
 print(net.conv1.bias.grad)
 loss.backward()
 print('反向传播之后 conv1.bias的梯度')
 print(net.conv1.bias.grad)
 # #### 优化器
 # 在反向传播计算完所有参数的梯度后，还需要使用优化方法来更新网络的权重和参数，例如随机梯度下降法(SGD)的更新策略如下：
 # ```
 # weight = weight - learning_rate * gradient
 # ```
 #
 # 手动实现如下：
 #
 # ```python
 # learning_rate = 0.01
 # for f in net.parameters():
 #     f.data.sub_(f.grad.data * learning_rate)# inplace 减法
 # ```
 #
 # `torch.optim`中实现了深度学习中绝大多数的优化方法，例如RMSProp、Adam、SGD等，更便于使用，因此大多数时候并不需要手动写上述代码。
 # +
 import torch.optim as optim
 #新建一个优化器，指定要调整的参数和学习率
 optimizer = optim.SGD(net.parameters(), lr = 0.01)
 # 在训练过程中
 # 先梯度清零(与net.zero_grad()效果一样)
 optimizer.zero_grad() 
 # 计算损失
 output = net(input)
 loss = criterion(output, target)
 #反向传播
 loss.backward()
 #更新参数
 optimizer.step()
 # -
 #
 #
 # ####  数据加载与预处理
 #
 # 在深度学习中数据加载及预处理是非常复杂繁琐的，但PyTorch提供了一些可极大简化和加快数据处理流程的工具。同时，对于常用的数据集，PyTorch也提供了封装好的接口供用户快速调用，这些数据集主要保存在torchvison中。
 #
 # `torchvision`实现了常用的图像数据加载功能，例如Imagenet、CIFAR10、MNIST等，以及常用的数据转换操作，这极大地方便了数据加载，并且代码具有可重用性。
 #
 #
 # ### 小试牛刀：CIFAR-10分类
 #
 # 下面我们来尝试实现对CIFAR-10数据集的分类，步骤如下: 
 #
 # 1. 使用torchvision加载并预处理CIFAR-10数据集
 # 2. 定义网络
 # 3. 定义损失函数和优化器
 # 4. 训练网络并更新网络参数
 # 5. 测试网络
 #
 # ####   CIFAR-10数据加载及预处理
 #
 # CIFAR-10[^3]是一个常用的彩色图片数据集，它有10个类别: 'airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck'。每张图片都是$3\times32\times32$，也即3-通道彩色图片，分辨率为$32\times32$。
 #
 # [^3]: http://www.cs.toronto.edu/~kriz/cifar.html
 import torch as t
 import torchvision as tv
 import torchvision.transforms as transforms
 from torchvision.transforms import ToPILImage
 show = ToPILImage() # 可以把Tensor转成Image，方便可视化
 # +
 # 第一次运行程序torchvision会自动下载CIFAR-10数据集，
 # 大约100M，需花费一定的时间，
 # 如果已经下载有CIFAR-10，可通过root参数指定
 # 定义对数据的预处理
 transform = transforms.Compose([
        transforms.ToTensor(), # 转为Tensor
        transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), # 归一化
                             ])
 # 训练集
 trainset = tv.datasets.CIFAR10(
                    root='../data/', 
                    train=True, 
                    download=True,
                    transform=transform)
 trainloader = t.utils.data.DataLoader(
                    trainset, 
                    batch_size=4,
                    shuffle=True, 
                    num_workers=2)
 # 测试集
 testset = tv.datasets.CIFAR10(
                    '../data/',
                    train=False, 
                    download=True, 
                    transform=transform)
 testloader = t.utils.data.DataLoader(
                    testset,
                    batch_size=4, 
                    shuffle=False,
                    num_workers=2)
 classes = ('plane', 'car', 'bird', 'cat',
           'deer', 'dog', 'frog', 'horse', 'ship', 'truck')
 # -
 # Dataset对象是一个数据集，可以按下标访问，返回形如(data, label)的数据。
 # +
 (data, label) = trainset[100]
 print(classes[label])
 # (data + 1) / 2是为了还原被归一化的数据
 show((data + 1) / 2).resize((100, 100))
 # -
 # Dataloader是一个可迭代的对象，它将dataset返回的每一条数据拼接成一个batch，并提供多线程加速优化和数据打乱等操作。当程序对dataset的所有数据遍历完一遍之后，相应的对Dataloader也完成了一次迭代。
 dataiter = iter(trainloader)
 images, labels = dataiter.next() # 返回4张图片及标签
 print(' '.join('%11s'%classes[labels[j]] for j in range(4)))
 show(tv.utils.make_grid((images+1)/2)).resize((400,100))
 # ####   定义网络
 #
 # 拷贝上面的LeNet网络，修改self.conv1第一个参数为3通道，因CIFAR-10是3通道彩图。
 # +
 import torch.nn as nn
 import torch.nn.functional as F
 class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5) 
        self.conv2 = nn.Conv2d(6, 16, 5)  
        self.fc1   = nn.Linear(16*5*5, 120)  
        self.fc2   = nn.Linear(120, 84)
        self.fc3   = nn.Linear(84, 10)
    def forward(self, x): 
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) 
        x = F.max_pool2d(F.relu(self.conv2(x)), 2) 
        x = x.view(x.size()[0], -1) 
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)        
        return x
 net = Net()
 print(net)
 # -
 # ####  定义损失函数和优化器(loss和optimizer)
 from torch import optim
 criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
 optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
 # ###   训练网络
 #
 # 所有网络的训练流程都是类似的，不断地执行如下流程：
 #
 # - 输入数据
 # - 前向传播+反向传播
 # - 更新参数
 #
 # +
 from torch.autograd import Variable
 t.set_num_threads(8)
 for epoch in range(2):  
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 输入数据
        inputs, labels = data
        inputs, labels = Variable(inputs), Variable(labels)
        # 梯度清零
        optimizer.zero_grad()
        # forward + backward 
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()   
        # 更新参数 
        optimizer.step()
        # 打印log信息
        running_loss += loss.data[0]
        if i % 2000 == 1999: # 每2000个batch打印一下训练状态
            print('[%d, %5d] loss: %.3f' \
                  % (epoch+1, i+1, running_loss / 2000))
            running_loss = 0.0
 print('Finished Training')
 # -
 # 此处仅训练了2个epoch（遍历完一遍数据集称为一个epoch），来看看网络有没有效果。将测试图片输入到网络中，计算它的label，然后与实际的label进行比较。
 dataiter = iter(testloader)
 images, labels = dataiter.next() # 一个batch返回4张图片
 print('实际的label: ', ' '.join(\
            '%08s'%classes[labels[j]] for j in range(4)))
 show(tv.utils.make_grid(images / 2 - 0.5)).resize((400,100))
 # 接着计算网络预测的label：
 # +
 # 计算图片在每个类别上的分数
 outputs = net(Variable(images))
 # 得分最高的那个类
 _, predicted = t.max(outputs.data, 1)
 print('预测结果: ', ' '.join('%5s'\
            % classes[predicted[j]] for j in range(4)))
 # -
 # 已经可以看出效果，准确率50%，但这只是一部分的图片，再来看看在整个测试集上的效果。
 # +
 correct = 0 # 预测正确的图片数
 total = 0 # 总共的图片数
 for data in testloader:
    images, labels = data
    outputs = net(Variable(images))
    _, predicted = t.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels).sum()
 print('10000张测试集中的准确率为: %d %%' % (100 * correct / total))
 # -
 # 训练的准确率远比随机猜测(准确率10%)好，证明网络确实学到了东西。
 # ####  在GPU训练
 # 就像之前把Tensor从CPU转到GPU一样，模型也可以类似地从CPU转到GPU。
 if t.cuda.is_available():
    net.cuda()
    images = images.cuda()
    labels = labels.cuda()
    output = net(Variable(images))
    loss= criterion(output,Variable(labels))
 # 如果发现在GPU上并没有比CPU提速很多，实际上是因为网络比较小，GPU没有完全发挥自己的真正实力。
 # 对PyTorch的基础介绍至此结束。总结一下，本节主要包含以下内容。
 #
 # 1. Tensor: 类似Numpy数组的数据结构，与Numpy接口类似，可方便地互相转换。
 # 2. autograd/Variable: Variable封装了Tensor，并提供自动求导功能。
 # 3. nn: 专门为神经网络设计的接口，提供了很多有用的功能(神经网络层，损失函数，优化器等)。
 # 4. 神经网络训练: 以CIFAR-10分类为例演示了神经网络的训练流程，包括数据加载、网络搭建、训练及测试。
 #
 # 通过本节的学习，相信读者可以体会出PyTorch具有接口简单、使用灵活等特点。从下一章开始，本书将深入系统地讲解PyTorch的各部分知识。
--- a/README.md
+++ b/README.md
@@ -1,8 +1,8 @@
 # Python与机器学习
 本教程包含了一些使用Python来学习机器学习的notebook，通过本教程能够引导学习Python的基础知识和机器学习的理论知识和实际编程，并学习如何解决实际问题。
 本教程包含了一些使用Python来学习机器学习的notebook，通过本教程能够引导学习Python的基础知识、机器学习的理论知识与实际编程，并学习如何解决实际问题。
 由于**本课程需要大量的编程练习才能取得比较好的学习效果**，因此需要认真把作业和报告完成。作业的地址是：https://gitee.com/machinelearning2018/pr_homework 请按照里面的说明进行操作。
 由于**本课程需要大量的编程练习才能取得比较好的学习效果**，因此需要认真把作业和报告完成。作业的地址是：https://gitee.com/machinelearning2018/pr_homework 请按照里面的说明进行操作，并提交作业。
 ## 内容
@@ -28,7 +28,7 @@
   - [Multi-layer Perceptron & BP](1_nn/mlp_bp.ipynb)
   - [Softmax & cross-entroy](1_nn/softmax_ce.ipynb)
 7. [PyTorch](2_pytorch/)
   - [short tutorial](PyTorch快速入门.ipynb)
   - [short tutorial](2_pytorch/PyTorch_quick_intro.ipynb)
   - [basic/Tensor-and-Variable](2_pytorch/0_basic/Tensor-and-Variable.ipynb)
   - [basic/autograd](2_pytorch/0_basic/autograd.ipynb)
   - [basic/dynamic-graph](2_pytorch/0_basic/dynamic-graph.ipynb)
@@ -40,7 +40,6 @@
   - [nn/param_initialize](2_pytorch/1_NN/param_initialize.ipynb)
   - [optim/sgd](2_pytorch/1_NN/optimizer/sgd.ipynb)
   - [optim/adam](2_pytorch/1_NN/optimizer/adam.ipynb)
   - [optim/adam](2_pytorch/1_NN/optimizer/adam.ipynb)
   - [cnn/basic_conv](2_pytorch/2_CNN/basic_conv.ipynb)
   - [cnn/batch-normalization](2_pytorch/2_CNN/batch-normalization.ipynb)
   - [cnn/regularization](2_pytorch/2_CNN/regularization.ipynb)
--- a/demo_code/2_logistic_regression_2.py
+++ b/demo_code/2_logistic_regression_2.py
@@ -1,19 +1,24 @@
 import time
 import torch as t
 from torch import nn, optim
 import torch.nn.functional as F
 from torch.autograd import Variable
 from torch.utils.data import DataLoader
 from torchvision import transforms
 from torchvision import datasets
 import time
 # 定义超参数
 """
    Use pytorch nn.Module to implement logistic regression
 """
 # define hyper parameters
 batch_size = 32
 learning_rate = 1e-3
 num_epoches = 100
 # 下载训练集 MNIST 手写数字训练集
 # download/load MNIST dataset
 dataset_path = "../data/mnist"
 train_dataset = datasets.MNIST(
@@ -26,7 +31,7 @@ train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
 test_loader  = DataLoader(test_dataset,  batch_size=batch_size, shuffle=False)
 # 定义 Logistic Regression 模型
 # define Logistic Regression model
 class Logstic_Regression(nn.Module):
    def __init__(self, in_dim, n_class):
        super(Logstic_Regression, self).__init__()
@@ -37,18 +42,17 @@ class Logstic_Regression(nn.Module):
        return out
 model = Logstic_Regression(28 * 28, 10)  # 图片大小是28x28
 use_gpu = t.cuda.is_available()  # 判断是否有GPU加速
 if use_gpu:
    model = model.cuda()
 model = Logstic_Regression(28 * 28, 10)     # model's input/output node size
 use_gpu = t.cuda.is_available()             # GPU use or not
 if use_gpu: model = model.cuda()
 # 定义loss和optimizer
 # define loss & optimizer
 criterion = nn.CrossEntropyLoss()
 optimizer = optim.SGD(model.parameters(), lr=learning_rate)
 # 开始训练
 # training
 for epoch in range(num_epoches):
    print('*' * 10)
    print('-' * 40)
    print('epoch {}'.format(epoch + 1))
    since = time.time()
@@ -56,7 +60,7 @@ for epoch in range(num_epoches):
    running_acc = 0.0
    for i, data in enumerate(train_loader, 1):
        img, label = data
        img = img.view(img.size(0), -1)  # 将图片展开成 28x28
        img = img.view(img.size(0), -1)  # convert input image to dimensions of (n, 28x28)
        if use_gpu:
            img = Variable(img).cuda()
            label = Variable(label).cuda()
@@ -64,15 +68,15 @@ for epoch in range(num_epoches):
            img = Variable(img)
            label = Variable(label)
        # 向前传播
        # forward calculation
        out = model(img)
        loss = criterion(out, label)
        running_loss += loss.data[0] * label.size(0)
        _, pred = t.max(out, 1)
        num_correct = (pred == label).sum()
        running_acc += num_correct.data[0]
        running_acc += float(num_correct.data[0])
        # 向后传播
        # bp
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
@@ -104,12 +108,13 @@ for epoch in range(num_epoches):
        eval_loss += loss.data[0] * label.size(0)
        _, pred = t.max(out, 1)
        num_correct = (pred == label).sum()
        eval_acc += num_correct.data[0]
        eval_acc += float(num_correct.data[0])
    print('Test Loss: {:.6f}, Acc: {:.6f}'.format(eval_loss / (len(
        test_dataset)), eval_acc / (len(test_dataset))))
    print('Test Loss: {:.6f}, Acc: {:.6f}'.format(
        eval_loss / (len(test_dataset)),
        eval_acc / (len(test_dataset))))
    print('Time:{:.1f} s'.format(time.time() - since))
    print()
 # 保存模型
 t.save(model.state_dict(), './model_LogsticRegression.pth')
 # save model's parameters
 #t.save(model.state_dict(), './model_LogsticRegression.pth')
--- a/demo_code/2_poly_fitting.py
+++ b/demo_code/2_poly_fitting.py
@@ -7,7 +7,7 @@ import matplotlib.pyplot as plt
 """
 Polynomial fitting by pytorch
    Polynomial fitting by pytorch
 """
 # define the real model's parameters
--- a/demo_code/3_CNN_CIFAR.py
+++ b/demo_code/3_CNN_CIFAR.py
--- a/demo_code/Neural_Network.py
+++ b/demo_code/Neural_Network.py
@@ -31,9 +31,9 @@ test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
 # define Network
 class Net(nn.Module):
 class NN_FC1(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        super(NN_FC1, self).__init__()
        self.l1 = nn.Linear(784, 520)
        self.l2 = nn.Linear(520, 320)
        self.l3 = nn.Linear(320, 240)
@@ -48,8 +48,30 @@ class Net(nn.Module):
        x = F.relu(self.l4(x))
        return self.l5(x)
 # Define the network
 class NN_FC2(nn.Module):
    def __init__(self):
        super(NN_FC2, self).__init__()
        in_dim      = 28*28
        n_hidden_1  = 300
        n_hidden_2  = 100
        out_dim     = 10
        self.layer1 = nn.Linear(in_dim, n_hidden_1)
        self.layer2 = nn.Linear(n_hidden_1, n_hidden_2)
        self.layer3 = nn.Linear(n_hidden_2, out_dim)
    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.layer1(x))
        x = F.relu(self.layer2(x))
        x = self.layer3(x)
        return x
 model = Net()
 # create the NN object
 model = NN_FC2()
 criterion = nn.CrossEntropyLoss()
 optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
--- a/demo_code/Neural_Network.0.py
+++ b/demo_code/Neural_Network.0.py
@@ -1,110 +0,0 @@
 import torch
 from torch import nn, optim
 from torch.autograd import Variable
 from torch.utils.data import DataLoader
 import torch.nn.functional as F
 from torchvision import transforms
 from torchvision import datasets
 # set parameters
 batch_size      = 32
 learning_rate   = 1e-2
 num_epoches     = 50
 # download & load MNIST dataset
 dataset_path = "../data/mnist"
 train_dataset = datasets.MNIST(
    root=dataset_path, train=True, transform=transforms.ToTensor(), download=True)
 test_dataset = datasets.MNIST(
    root=dataset_path, train=False, transform=transforms.ToTensor())
 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
 test_loader  = DataLoader(test_dataset,  batch_size=batch_size, shuffle=False)
 # Define the network
 class NeuralNetwork(nn.Module):
    def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
        super(NeuralNetwork, self).__init__()
        self.layer1 = nn.Linear(in_dim, n_hidden_1)
        self.layer2 = nn.Linear(n_hidden_1, n_hidden_2)
        self.layer3 = nn.Linear(n_hidden_2, out_dim)
    def forward(self, x):
        x = F.relu(self.layer1(x))
        x = F.relu(self.layer2(x))
        x = self.layer3(x)
        return x
 # create network & define loss function
 model = NeuralNetwork(28 * 28, 300, 100, 10)
 criterion = nn.CrossEntropyLoss()
 optimizer = optim.SGD(model.parameters(), lr=learning_rate)
 # train
 for epoch in range(num_epoches):
    print("epoch %6d" % int(epoch+1))
    print('-' * 40)
    running_loss = 0.0
    running_acc = 0.0
    for i, data in enumerate(train_loader, 1):
        img, label = data
        img   = Variable(img.view(img.size(0), -1))
        label = Variable(label)
        # 向前传播
        optimizer.zero_grad()
        out = model(img)
        loss = criterion(out, label)
        running_loss += loss.data[0] * label.size(0)
        pred = out.data.max(1, keepdim=True)[1]
        running_acc += float(pred.eq(label.data.view_as(pred)).cpu().sum())
        # 向后传播
        loss.backward()
        optimizer.step()
        if i % 300 == 0:
            print('[{}/{}] Loss: {:.6f}, Acc: {:.2f}%'.format(
                epoch + 1, num_epoches, 
                1.0*running_loss / (batch_size * i),
                100.0*running_acc  / (batch_size * i)))
    # do test
    model.eval()
    eval_loss = 0.
    eval_acc = 0.
    for data in test_loader:
        img, label = data
        img = img.view(img.size(0), -1)
        img = Variable(img)
        label = Variable(label)
        out = model(img)
        loss = criterion(out, label)
        eval_loss += loss.data[0] * label.size(0)
        pred = out.data.max(1, keepdim=True)[1]
        eval_acc += float(pred.eq(label.data.view_as(pred)).cpu().sum())
    print('\nTest Loss: {:.6f}, Acc: {:.2f}%'.format(
        1.0*eval_loss / (len(test_dataset)), 
        100.0*eval_acc  / (len(test_dataset))))
    print()
 # save model
 torch.save(model.state_dict(), './model_Neural_Network.pth')