1.item() → number
方法: item() 返回一个数
只能用于只包含一个元素的张量。对于其他的张量，请查看方法tolist().
该操作是不可微分的,即不可求导.
(译者注:返回的结果是普通Python数据类型,
自然不能调用backward()方法来进行梯度的反向传播)

   Example:  例子:>>> x = torch.tensor([1.0])>>> x.item()
1.0

2.Tensor（张量）
中包含data和grad，data和grad也是Tensor。grad初始为None，调用l.backward()方法后w.grad为Tensor，故更新w.data时需使用w.grad.data。如果w需要计算梯度，那构建的计算图中，跟w相关的tensor都默认需要计算梯度。

3. l.backward()
   会把计算图中所有需要梯度(grad)的地方都会求出来，然后把梯度都存在对应的待求的参数中，最终计算图被释放。取tensor中的data（tensor.item()）是不会构建计算图的。

4.Module 类是 torch.nn 模块里提供的一个模型构造类 (nn.Module)，是所有神经⽹网络模块的基类，我们可以继承它来定义我们想要的模型；
PyTorch模型定义应包括两个主要部分：各个部分的初始化（init）；数据流向定义（forward）

class LinearModel(torch.nn.Module):def __init__(self):super(LinearModel, self).__init__() #构造函数# (1,1)是指输入x和输出y的特征维度，这里数据集中的x和y的特征都是1维的# 该线性层需要学习的参数是w和b  获取w/b的方式分别是~linear.weight/linear.biasself.linear = torch.nn.Linear(1, 1)  # 构造对象Linear，并说明输入输出的维数，第三个参数默认为true，表示用到bdef forward(self, x):y_pred = self.linear(x)return y_pred

5.pytorch 之 call, init,forward

• init: 类的初始化函数，类似于c++的构造函数
• call_: 使得类对象具有类似函数的功能。
  如果要使用一个可调用对象，那么在类的声明的时候要定义一个 call()函数就OK了
  我们平时自定义的函数、内置函数和类都属于可调用对象，但凡是可以把一对括号()应用到某个对象身上都可称之为可调用对象，判断对象是否为可调用对象可以用函数 callable
  

6.tensor.grad.data.zero_() #手工清零，释放之前计算的梯度

7.python @符号的使用归纳整理一下
①　函数
python函数修饰符@的作用是为现有函数增加额外的功能，常用于插入日志、性能测试、事务处理等等。
创建函数修饰符的规则：
（1）修饰符是一个函数
（2）修饰符取被修饰函数为参数
（3）修饰符返回一个新函数
（4）修饰符维护被维护函数的签名
把当前函数当做参数传入到修饰函数里执行，然后再修饰函数里做一些操作。

②　@staticmethod 和 @classmethod
@staticmethod 相当于C++里的静态函数
@classmethod 相当于C++里常用的一个类调用Create来创建自身的用法。

应用场景可以参考这个链接
Python 中的 classmethod 和 staticmethod 有什么具体用途？
③　@property
看这个文章就是了，这个很好理解，就是属性，没啥特别的
链接: Zhihao：python @property的介绍与使用

8.tensor.nn
①　tensor.nn.MSELOSS

创建一个标准，用于测量输入x和目标y中每个元素之间的均方误差(L2范数的平方)
如果设置reduction = ‘sum’，则可以避免除以n。

• size_average：是否求均值，苛求可不求，效果一样。根据size_average对每个minibatch的观测值求平均值或求和。
• reduce：是否要降维
• reduction (string，可选)-指定应用于输出的缩减量:‘none’ | ‘mean’ | ‘sum’。
  ‘none’:不应用缩减，
  ‘mean’:输出的总和将除以输出中的元素数量，
  ‘sum’:输出将被求和。
  注意：size_average和reduce正在被弃用，同时，指定这两个参数中的任何一个都将覆盖reduction。默认值:“mean”。
• 调用例子：
  criterion = torch.nn.MSELoss(reduction=‘sum’) # 损失函数，输出将被求和。
  loss = criterion(y_pred, y_data) # forward: loss ，y_pred：预测；y_data：真实数据

9.PyTorch Fashion(风格)
①　prepare dataset
②　design model using Class # 设计模型，目的是为了前向传播forward，即计算y hat(预测值)
③　Construct loss and optimizer (using PyTorch API) 构造损失和优化器，其中，计算loss是为了进行反向传播，optimizer是为了更新梯度。
④　Training cycle (forward,backward,update)

10.torch.optim优化器