第五讲 pytorch实现神经网络

第五讲 pytorch实现神经网络

一 本节课程介绍

1.1 知识点

1、神经网络的基本介绍；
2、pytorch实现神经网络回归预测；

二 课程内容

2.1 神经网络基本介绍

神经网络本质是链式求导法则的应用，它是神经网络的基础，也是神经网络理论的重要发展成果。它的法则从宏观来看很像人类的思考方式，所以通常用它来模拟人类的学习思维能力，被广泛应用于价值评估和价格预测领域。
神经网络结构包括一个输入层，一个输出层，一个或多个隐含层。每层由若干个节点构成，各层节点通过全连接的方式连接，而同层内各神经元之间相互独立。神经网络的训练过程就是不断调整连接权值的过程，这个过程进行到输出的均方误差达到要求的标准。BP神经网络在初始化权重后进行训练，按照一定的规则(如梯度下降)使得输出结果与期望输出误差最小。
BP神经网络的传递函数作为激活输入，通过链式求导法则实现传递函数变换，使之转化为输出。传递函数必须可微，BP神经网络模型较为典型的隐含层传递函数常使用Sigmoid函数等。

2.2 损失函数介绍

损失函