损失函数的值越小越好么？ 老师，我将来买了劳斯莱斯带你去兜风。如果这句话损失函数的值很小很小，有可能是做梦。 为了防止过拟合，可以正则化，踏实一点，跟方老师学完Pytorch，再考虑劳斯莱斯的事情。

方老师强调的要点摘录： 模型就是通过不断地减小损失函数值的方式来进行学习的。让损失函数最小化，通常就要采用梯度下降的方式，即：每一次给模型的权重进行更新的时候，都要按照梯度的反方向进行。 模型通过梯度下降的方式，在梯度方向的反方向上不断减小损失函数值，从而进行学习。

tf-idf的理论依据及不足 编辑 tf-idf算法是建立在这样一个假设之上的：对区别文档最有意义的词语应该是那些在文档中出现频率高，而在整个文档集合的其他文档中出现频率少的词语，所以如果特征空间坐标系取tf词频作为测度，就可以体现同类文本的特点。另外考虑到单词区别不同类别的能力，tf-idf法认为一个单词出现的文本频数越小，它区别不同类别文本的能力就越大。因此引入了逆文本频度idf的概念，以tf和idf的乘积作为特征空间坐标系的取值测度，并用它完成对权值tf的调整，调整权值的目的在于突出重要单词，抑制次要单词。但是在本质上idf是一种试图抑制雜訊的加权，并且单纯地认为文本頻率小的单词就越重要，文本頻率大的单词就越无用，显然这并不是完全正确的。idf的简单结构并不能有效地反映单词的重要程度和特征词的分布情况，使其无法很好地完成对权值调整的功能，所以tf-idf法的精度并不是很高。 此外，在tf-idf算法中并没有体现出单词的位置信息，对于Web文档而言，权重的计算方法应该体现出HTML的结构特征。特征词在不同的标记符中对文章内容的反映程度不同，其权重的计算方法也应不同。因此应该对于处于网页不同位置的特征词分别赋予不同的系数，然后乘以特征词的词频，以提高文本表示的效果。 -- 维基百科

老师，您好，请问padding=1和same的效果是一样的吗？ 对这个我有一点疑惑，padding=1是补一圈0，然后same的时候我看的例子是在右边和下边补0。感觉两者效果不一样吧，因为padding=1的时候，算下来会比原来的长宽，各多出一个像素吧？ 另外，为什么valid 和same 的时候 stride只能是1，这个没有想明白。

因为全连接层中的神经元的个数是固定的，所以说在有全连接层的网络中，输入图片是必须固定尺寸的。 老师，这句话没明白。比如文中是2个神经元，那么输入图片可以是128*128，也可以是256*256，只要在神经元里设置对应数量的参数就可以了吧？

img_tensor, label_tensor = data_iter.next()会遇到这样一个问题： AttributeError: '_SingleProcessDataLoaderIter' object has no attribute 'next' 改为以下可解决： img_tensor, label_tensor = next(data_iter)

打卡学习，跟着老师精通PyTorch

人生充满选择，选择比努力重要。感谢老师，我现在越来越感悟前半句

用心学完了，感谢老师，唯一遗憾的，老师实战项目部分（NLP）没有在GitHub上建立一个完整的实战项目，希望能结合具体的一个案例讲解，不要只讲官方例子。

Now this is not the end. It is not even the beginning of the end. But it is, perhaps, the end of the beginning. 谢谢方老师的pytorch课程。