在学习的过程中，大家可能会感觉很蒙，其实现在做的就是看懂每一个小内容，等之后做一个具体的项目，就可以串联起来了。
优化器用于优化模型，加速收敛。
SGD方法
随机梯度下降法，是指沿着梯度下降的方向求解极小值，一般可用于求解最小二乘问题。
其中
代表了参数的梯度，
代表了学习率，
代表了参数更新的幅度。
优点：
每次采用的数据量小，会有更多次梯度更新。
缺点：
一开始的学习率不好确定，容易出现局部最优解。
Adama方法
利用梯度的一阶矩和二阶矩动态的估计调整每一个参数的学习率。
三层感知机例子-介绍基本的优化过程
from torch import nn
# 先定义一个三层感知机，激活函数使用Relu（小于0的，都转换为0）
class MLP(nn.Module):def __init__(self, in_dim, hid_dim1, hid_dim2, out_dim):super(MLP, self).__init__()#使用Sequential快速搭建三层感知机self.layer = nn.Sequential(# 第一层nn.Linear(in_dim, hid_dim1),nn.Relu(),# 第二层nn.Linear(hid_dim1, hid_dim2),nn.Relu(),# 第三层nn.Linear(hid_dim2, out_dim),nn.Relu())def forward(self, x):y = self.layer(x)return y# 进行模型的实例化
from torch import optim
from torch import nn
# 输入数据为28*28
# 隐藏层中：第一层需输入300个数据，第二层需输入200个数据
# 最后输出10个特征
model = MLP(28*28, 300, 200, 10)
# modeld的结构
#MLP(
# (layer):Sequention(
# (0):Linear(in_features=784, out_features=300, bias=True)
# (1):Relu()
# (2):Linear(in_features=300, out_features=200, bias=True)
# (3):Relu()
# (4):Linear(in_features=200, out_features=10, bias=True)
# (5):Relu()
# )
#)
# 采用SGD优化器， 学习率设为0.01
optimizer = optim.SGD(params = model.parameters(), lr=0.01)
# 设置输出数据
data = torch.randn(10, 28*28)
# 输入模型后，输出数据
output = model(data)
# 因为最终输出10个特征，所以先设置10个特征
label = torch.Tensor([1, 0, 4, 7, 9, 3, 4, 5, 3, 2]).long()
# 求损失
criterion = nn.CrossEntropyLoss()
loss = criterion(output, label)# >>> loss# tensor(2.2762)
# 清空梯度，在每次优化前都要进行此操作
optimizer.zero_grad()
# 损失的反向传播
loss.backward()
# 利用优化器进行梯度更新
optimizer.step()大家只需要理解这些函数的功能就可以，之后我们会在详细的项目中，把这些功能应用起来。欢迎大家讨论！共同学习！
