《动手学深度学习》(PyTorch版)

### 动手学深度学习 PyTorch 版本教程 #### 卷积层的实现细节 卷积层通过对输入数据和卷积核权重执行互相关运算，并在添加标量偏置后生成输出。因此，在卷积层中有两个可训练参数：卷积核权重和标量偏置[^2]。 为了具体展示如何创建一个简单的二维卷积层，下面是一个自定义 `Conv2D` 类的例子： ```python import torch from torch import nn class Conv2D(nn.Module): def __init__(self, kernel_size): super().__init__() self.weight = nn.Parameter(torch.rand(kernel_size)) self.bias = nn.Parameter(torch.zeros(1)) def forward(self, x): return corr2d(x, self.weight) + self.bias ``` 这段代码展示了如何利用 Python 和 PyTorch 来构建自己的卷积层类。注意这里假设已经有一个名为 `corr2d` 的函数用于计算二维互相关操作。 #### 数据类型的转换 当处理张量时，有时需要将其值提取为普通的 Python 数字。对于包含单个元素的张量，可以通过调用 `.item()` 方法或使用内置类型转换函数来完成此操作[^3]: ```python a = torch.tensor([3.5]) print(f'Tensor: {a}, Item: {a.item()}, Float: {float(a)}, Int: {int(a)}') ``` 上述例子说明了不同方式将大小为 1 的张量转成基本的数据类型的方法。 #### 不同类型的分布变化及其影响 机器学习模型可能会遇到三种主要类型的分布差异情况：协变量偏移、标签偏移以及概念漂移。每种情况下受影响的概率分布部分有所不同[^4]: - **协变量偏移**指的是特征空间内的概率分布发生变化而条件概率保持恒定； - **标签偏移**意味着目标变量的整体分布有所变动但是给定条件下其预测关系未变； - **概念漂移**则表示即使输入特征相同，它们对应的期望输出也发生了改变。 了解这些现象有助于更好地理解何时何地可能出现性能下降，并采取相应措施加以应对。