[‘appliance’, ‘food’, ‘indoor’, ‘accessory’, ‘electronic’, ‘furniture’, ‘vehicle’, ‘sports’, ‘animal’, ‘kitchen’, ‘person’, ‘outdoor’] 91个小类： [‘person’, ‘bicycle’, ‘car’, ‘motorcycle’, ‘airplane’, ‘bus’, ‘train’

= torch.ones([n]) b = torch.ones([n]) 由于在本书中我们将频繁地进行运行时间的基准测试，所以我们定义一个计时器： 3.1. 线性回归 89 class Timer: #@save """记录多次运行时间""" def __init__(self): self.times = [] self.start() def start(self): """启动计时器""" 首先，我们使用for循环，每次执行一位的加法。 c = torch.zeros(n) timer = Timer() for i in range(n): c[i] = a[i] + b[i] f'{timer.stop():.5f} sec' '0.16749 sec' 或者，我们使用重载的+运算符来计算按元素的和。 timer.start() d = a + b (continues on next next page) 90 3. 线性神经网络 (continued from previous page) f'{timer.stop():.5f} sec' '0.00042 sec' 结果很明显，第二种方法比第一种方法快得多。矢量化代码通常会带来数量级的加速。另外，我们将更多的 数学运算放到库中，而无须自己编写那么多的计算，从而减少了出错的可能性。 3.1.3 正态分布与平方损失