1）torch.nn 包，里面主要包含构建卷积神经网络的各种算子操作，主要包括卷积操作（Conv2d、Conv1d、Conv3d）激活函数、序贯模型（Sequential）、功能函数（functional）、损失功能、支持自定义的模型类（Module）等。通过它们就可以实现大多数的模型结构搭建与生成。 2 ) torch.utils 包，里面主要包括训练模型的输入数据处理类、pytorch 自带的模型库、 、剩下节点表示操作、带箭头的线段表示数据的流向。 ## ☑ 自动微分 使用 Pytorch 构建神经网络（计算图）模型之后，一般都是通过反向传播进行训练，使用反向传播算法对神经网络中每个参数根据损失函数功能根据梯度进行参数值的调整。为了计算这些梯度完成参数调整，深度学习框架中都会自带一个叫做自动微分的内置模块，来自动计算神经网络模型训练时候的各个参数梯度值并完成参数值更新，这种技术就是深度学习框架中的自动微分。 1.65,5.68,5.98,6.95 我们通过随机赋值初始 k、b 两个参数，根据公式 1-1，x 会生成一个对应输出 $ \hat{y} $ ，它跟真实值 y 之间的差值我们称为损失，最常见的为均值平方损失（MSE），表示如下： $$ MSE=\frac{1}{n}\sum\left(y-\widehat{y}\right)^{2}\tag{ 公式 1-2} $$ 然后我们可以通过下面的公式来更新

逻辑回归求解 ## 损失函数 $$ \mathrm{L}\big(\widehat{y},y\big)=-y\log(\widehat{y})-(1-y)\log(1-\widehat{y}\big) $$ $ \hat{y} $ 表示预测值 $ h(x) $ y 表示真实值 为了衡量算法在全部训练样本上的表现如何，我们需要定义一个算法的代价函数，算法的代价函数是对m个样本的损失函数求和然后除以m:

8b84ea4be7bd1/p7_1.jpg) 放入Uniswap v3池子提供流动性，但是当价格上涨或者下跌时，同样也有无常损失 初始池子放入50% ETH和50% USDC价格下降，ETH有结余， 以高于当前价格的区间值投入ETH，冲抵部分无常损失 通过提供流动性自然地发生转换，不花手续费，甚至还可以赚取交易费 DECIMALS = 10 ** 9 X: int = 100_000