torch.autograd
torch.autograd.backward(
tensor, #待求导张量
grad_tensors=None, #多维度权重
retain_graph=None, #保存计算图
create_graph=False) #创造导数计算图，用于高阶求导
功能：自动求取梯度
torch.autograd.grad(
outputs, #用于求导的张量
inputs, #需要梯度的张量
grad_tensors=None, #多维度权重
retain_graph=None, #保存计算图
create_graph=False) #创造导数计算图，用于高阶求导
功能：自动求取梯度
tips：
- 梯度不自动清零，需要用如下代码清零
tensor.grad.zero_() #下划线表原地操作
- 依赖于叶子结点的结点，requires_grad默认为True
- 叶子结点不可执行in-place（原地操作）
逻辑回归
逻辑回归是线性的二分类模型
表达式：y=f(Wx+b)，f为sigmod函数，也称为logistics函数
取值范围为0,1，可设阈值为0.5，当y>0.5时类别为0，当y≤0.5时类别为1
线性回归是分析自变量x与因变量y（标量）之间关系的方法
逻辑回归是分析自变量x与因变量y（概率）之间关系的方法
逻辑回归又称对数几率回归
机器学习模型训练步骤
迭代训练：数据（数据采集、数据划分、数据清洗）
–>模型（线性模型、NN模型）
–>损失函数（线性模型中采用均方差，分类任务可采用交叉熵）
–>优化器