1.根据机器学习应用场景和学习方式的不同，可以简单的分为三类：无监督学习、半监督学习、和有监督学习。
2,无监督学习不需要提前知道数据集的类别标签。无监督学习算法的使用场景通常为聚类和降维，如使用K-均值聚类、系统聚类、密度聚类等算法进行数据聚类。使用主成分分析、流行降维等算法减少数据的特征数量。
3.半监督学习是利用极少的有标签数据和大量的无标签数据进行学习，通过学习得到的对经验对无标签的测试数据进行预测。
4.有监督学习：分类，回归。
5.深度学习和传统的机器学习最大的特点是端到端的学习，在进行学习之间无须进行特征提取等操作，可以通过深层网络结构自动从原始数据中提取有用的特征。传统的机器学习在特征提取阶段需求更多的人工干预。
6.pytorch 的优点有：1是可以无缝使用numpy,可以使用GPU加速;二是可以使用动态图计算使网络更加灵活，并且可以构建基于自动微分系统的深度神经网络。
7.将numpy转化为张量是，torch.as_tensor()，和torch.from_numpy()
张量转化成numpy是torch.numpy()
#生成张量 import torch a=torch.Tensor(3,2) print(a) print(type(a))
#张量转换成numpy b=a.numpy() print(b) print(type(b))
#nunpy 转化成张量 c=torch.from_numpy(b) print(c) print(type(c))
