← COMP5511 全部讲次
L03a-5 · 第 3 周

L03a-5 在信念网络上推理:联合、因果、诊断三种问法

拿课件那张四变量网络把三种问法各算一遍:联合概率按父节点连乘,因果推理顺着箭头补齐父节点,诊断推理逆着箭头先做因果推理再套贝叶斯公式。

一句话版

图画好、表填好以后,信念网络上的问题只有三种问法:全部指定的联合概率,顺着箭头的因果推理,逆着箭头的诊断推理。三种都只用前几页的工具:链式法则、全概率公式、贝叶斯公式。

网络本身的定义和三种连接见 L03a-4。

先认识这几个词

词 全称 / 读法 一句人话
CPT Conditional Probability Table,条件概率表 每个节点在父节点各种取值下的概率
根节点 root 没有箭头指向它的节点,只有一个先验概率
联合推理 joint probability 给所有变量都指定取值,问这一组同时发生的概率
因果推理 causal reasoning 已知原因,顺着箭头问结果
诊断推理 diagnostic reasoning 已知结果,逆着箭头问原因
∏ 读「连乘」 把后面每一项乘起来,和 ∑ 连加对应

一个类比:你人在校外,只能看线索猜课上没上

你今晚没去教室,想知道课到底上没上。能用的线索有:今晚供电正不正常,老师来没来,图书馆开没开门。

问法有三种。第一种,假设这几件事全都发生了,概率是多少。第二种,听说老师来了,课上成的可能有多大,这是从原因猜结果。第三种,听说课上成了,老师来过的可能有多大,这是从结果倒推原因。

网络把这些线索之间的关系画成箭头,每个节点挂一张小表。三种问法都在这张图上查表、相乘、相加。

类比在哪里失效:

  • 现实里你会凭经验改数字。题目里表格的数是给定的输入,只许代入,不许改。
  • 现实里还有很多没画进图的因素。网络只认图上的这四个变量,没画的就当不存在。

从零讲起

1. 读懂网络和条件概率表

它解决什么问题

三种推理都要从表里取数。先把这张网络的每个数是什么意思读清楚,后面才不会代错格子。

直觉

每个节点只关心它的父节点。根节点没有父节点,只挂一个数;有一个父节点的挂两个数;有两个父节点的挂四个数,因为两个父节点各有真假两种取值。

表里的 0 最值得注意。它说的是某种情况绝不会发生,推理时会让某些项整个消失。

一步一步看

目标:从根节点到 L、C 逐张读条件概率表,看每个数代表什么,合起来为什么只有 8 个。

四个布尔变量:E 供电正常,T 老师来了,C 上了课,L 图书馆开门。箭头 E → L,E → C ← T。

  1. 先找根节点:E 和 T 没有箭头指向它们,各挂一个先验 P(E) = 0.95,P(T) = 0.9。
  2. L 只有父节点 E,表里两格:有电时开门的概率 0.96,没电时 0.2。
  3. C 有父节点 E 和 T,表里四格,按 (E, T) 的四种组合给出。
  4. 数一数:2 + 2 + 4 = 8 个数。不用网络直接列联合表,要 2⁴ = 16 格。

四变量贝叶斯信念网络图:E 供电与 T 老师来了是根节点,E 指向 L 图书馆开门,E 与 T 共同指向 C 上了课,右侧列出各节点的条件概率表,并对比联合表 16 个数与 BBN 只需 8 个数

C 的表 E 有电 E^c 没电
T 老师来了 P(C|E,T) = 0.93 P(C|E^c,T) = 0
T^c 老师没来 P(C|E,T^c) = 0.1 P(C|E^c,T^c) = 0

怎么判断

读每一格时,用一句话把它翻译出来:

  • P(C|E,T^c) = 0.1:有电、老师没来,仍有 0.1 的概率上了课,可能是自习或代课。
  • P(C|E^c,T) = 0 和 P(C|E^c,T^c) = 0:没电就一定上不了课,老师来不来都一样。

意思是:表里每一格都是「在父节点这组取值下」的条件概率,不是 C 自己的概率。C 自己的概率 P(C) 要按父节点的四种组合加权求和才得到。

常见误解

把 P(C|E,T) = 0.93 当成上课的概率

0.93 只在「有电且老师来了」这个前提下成立。问 P(C) 或 P(C|T) 时,缺的父节点要用全概率公式补进去,不能直接拿 0.93 当答案。

以为每张表的每一列加起来要等于 1

要等于 1 的是同一组父节点取值下 C 和 C^c 的概率:P(C|E,T) + P(C^c|E,T) = 1。表里同一个 C 在不同父节点组合下的数,没有加起来等于 1 的要求,0.93 和 0.1 加起来就不是 1。

试一下

有电、老师没来时,课没上的概率 P(C^c|E,T^c) 是多少?没电时图书馆关门的概率 P(L^c|E^c) 呢?

P(C^c|E,T^c) = 1 − 0.1 = 0.9。P(L^c|E^c) = 1 − 0.2 = 0.8。表里只给了「发生」的那一格,「不发生」用 1 减。

2. 联合推理

它解决什么问题

问供电正常、老师来了、上了课、图书馆开门这四件事同时发生的概率 P(ETCL)。四个变量都指定了取值,这是最简单的一种问法。

直觉

按父节点在前的顺序挨个乘:先乘根节点,再乘那些「父节点都已经乘过」的节点。每个节点只乘一次,取它在父节点条件下的那一格。

一步一步看

目标:从两个根节点开始顺着箭头依次乘,看四件事同时发生的概率怎样算到约 0.76。

  1. 先乘两个根节点:P(E)·P(T) = 0.95 × 0.9 = 0.855。

    第 1 步:网络中 E 和 T 两个根节点高亮为青绿,下方写 P(E) 乘 P(T),0.95 乘 0.9 等于 0.855

  2. C 的父节点 E、T 都乘过了,乘 P(C|E,T):0.855 × 0.93 = 0.79515。

    第 2 步:E 和 T 变灰表示已乘,C 高亮为青绿,下方追加一行乘 P(C|E,T),0.855 乘 0.93 等于 0.79515

  3. L 的父节点 E 乘过了,乘 P(L|E):0.79515 × 0.96 = 0.763344 ≈ 0.76。四个节点都乘完。

    第 3 步:E、T、C 都变灰,L 高亮为青绿,下方追加一行乘 P(L|E),0.79515 乘 0.96 等于 0.763344,四个节点全部乘完

怎么算

联合概率通式:

P(x₁, x₂, …, x_n) = ∏ P(x_i | parents(x_i))

意思是:所有变量同时取某组值的概率,等于每个变量「在它父节点条件下」的概率连乘,根节点就用它的先验。

本例:P(ETCL) = P(L|E) · P(C|ET) · P(E) · P(T) = 0.96 × 0.93 × 0.95 × 0.9 ≈ 0.76。

课件是从链式法则一步步化简出来的:P(LCET) = P(L|CET)·P(C|ET)·P(E|T)·P(T)。L 的父节点只有 E,给定 E 后 L 与 C、T 条件独立,P(L|CET) 剪成 P(L|E)。E 和 T 都是根节点,本来就独立,P(E|T) 换成 P(E)。通式就是把这两步省掉。

常见误解

两步化简写同一个依据

P(L|CET) → P(L|E) 用的是条件独立:L 的父节点只有 E。P(E|T) → P(E) 用的是两个根节点本来就独立。课件用两种颜色分别标注,答题时也要分开写。

变量取反时还用表里那一格

问 P(E T C^c L) 时,C 那一项要换成 P(C^c|E,T) = 1 − 0.93 = 0.07。每个变量取哪个值,就取表里对应的那一格或它的补。

试一下

求 P(E T C L^c):供电正常、老师来了、上了课,但图书馆没开门。

P(E)·P(T)·P(C|E,T)·P(L^c|E) = 0.95 × 0.9 × 0.93 × 0.04 = 0.79515 × 0.04 ≈ 0.0318。

3. 因果推理

它解决什么问题

已知老师来了,问上课的概率 P(C|T)。C 的表是按 E、T 两个父节点给的,题目只告诉了 T,E 是未知的,表里查不到现成的数。

直觉

E 不知道,就把 E 的两种可能都考虑进去:有电时上课的概率乘有电的概率,加上没电时上课的概率乘没电的概率。这就是 L03a-3 的全概率公式,只是每一项都多了「给定 T」。

课件的提示只有一句:Include all the parents。

一步一步看

目标:把题目没给的父节点 E 按有电、没电两种补进来,看 P(C|T) 怎样加成约 0.884。

  1. 把缺的父节点 E 补进来:P(C|T) = P(C|ET)·P(E|T) + P(C|E^c T)·P(E^c|T)。
  2. E 和 T 都是根节点,彼此独立,P(E|T) = P(E),P(E^c|T) = P(E^c)。
  3. 代数:0.93 × 0.95 + 0 × 0.05。
  4. 算出 0.8835 ≈ 0.884。
项 E 有电 E^c 没电
P(C|E 的这种取值, T) 0.93 0
× P(E 的这种取值) 0.95 0.05
= 这一块 0.8835 0
两块相加 P(C|T) = 0.8835 ≈ 0.884

怎么算

P(C|T) = P(C|E,T)·P(E) + P(C|E^c,T)·P(E^c)

意思是:对没观测到的父节点 E 的每种取值,取表里那一格乘这种取值的概率,再加起来。能把 P(E|T) 写成 P(E),是因为 E、T 是两个根节点,本来就独立。

同样的套路求老师没来时:P(C|T^c) = 0.1 × 0.95 + 0 × 0.05 = 0.095。这个数下一节要用。

常见误解

直接拿表里的 0.93 当 P(C|T)

0.93 是 P(C|E,T),多了「有电」这个前提。E 没观测,就必须把 E^c 那种情况也加进来。本例 E^c 那一块是 0,答案才和 0.93 × 0.95 一样;表里换个数就不一样了。

补父节点时用 P(E|T) 却不说明为什么能换成 P(E)

换成 P(E) 要有依据:E 和 T 都是根节点,彼此独立。如果 E 和 T 之间有箭头,就不能这么换。

试一下

已知有电,求上课的概率 P(C|E)。

这次缺的父节点是 T:P(C|E) = P(C|E,T)·P(T) + P(C|E,T^c)·P(T^c) = 0.93 × 0.9 + 0.1 × 0.1 = 0.837 + 0.01 = 0.847。

4. 诊断推理

它解决什么问题

已知课上了,问老师来过的概率 P(T|C)。C 是 T 的后代,这是从结果倒推原因,和箭头方向相反。表里只有「给定原因求结果」的数。

直觉

逆着箭头走,就要用贝叶斯公式把条件翻过来。翻过来需要 P(C|T) 和 P(C|T^c),这两个数正好是上一节因果推理算出来的。

所以诊断推理分两拍:先顺着箭头做因果推理,再用贝叶斯公式翻过来。

左右两张小网络对比。左边因果推理,T 是已知的证据,问结果 C,顺着箭头算,E 没观测要按两种情况加权;右边诊断推理,C 是已知的证据,问原因 T,逆着箭头算,要用贝叶斯公式翻过来

一步一步看

目标:用贝叶斯公式从「课上了」倒推老师来过,看概率怎样从先验 0.9 升到约 0.988。

  1. 写贝叶斯公式:P(T|C) = P(C|T)P(T) / [P(C|T^c)P(T^c) + P(C|T)P(T)]。
  2. 查先验:P(T) = 0.9,P(T^c) = 0.1。
  3. 用因果推理补出 P(C|T) ≈ 0.884,P(C|T^c) = 0.095。
  4. 代数相除,得 ≈ 0.988。
情况 先验 课上了的概率 乘积
T 老师来了 0.9 0.884 0.884 × 0.9 = 0.7956
T^c 老师没来 0.1 0.095 0.095 × 0.1 = 0.0095
合计 P(C) 0.8051
P(T|C) 0.7956 / 0.8051 ≈ 0.988

怎么算

P(T|C) = P(C|T)·P(T) / [P(C|T^c)·P(T^c) + P(C|T)·P(T)] = 0.7956 / (0.0095 + 0.7956) ≈ 0.988

意思是:分子是「老师来了并且课上了」的概率,分母是「课上了」的总概率,两者相除就是课上了的前提下老师来过的比例。

先验 0.9 升到后验 0.988。升得这么多,是因为老师不来时上课的概率只有 0.095,课上成了这件事几乎坐实了老师来过。

常见误解

把表里的 P(C|E,T) 直接代进贝叶斯公式

贝叶斯公式里要的是 P(C|T),不含 E。表里的 P(C|E,T) 多了一个父节点,必须先做因果推理把 E 补掉。跳过这一步是这类题最常见的错。

分母只写一项

分母是 P(C),要把 T 和 T^c 两种情况都加上。只写 P(C|T)P(T) 的话,结果会是 1,明显不对。

试一下

不用贝叶斯公式,换一种算法验证 P(C):按 E、T 四种组合直接加权求和。

P(C) = 0.93 × 0.95 × 0.9 + 0.1 × 0.95 × 0.1 + 0 + 0 = 0.79515 + 0.0095 = 0.80465。和上面表格里 0.8051 的差别来自 0.884 是四舍五入后的数;用 0.8835 算,0.8835 × 0.9 + 0.0095 = 0.80465,完全一致。

把它们串起来

三种问法用的工具都是前面学过的,只是在图上组合。

联合推理最直接:每个节点取表里对应的一格,按父节点在前的顺序连乘。

因果推理顺着箭头走。目标节点的表按它全部父节点给出,题目没给的父节点就用全概率公式补齐。

诊断推理逆着箭头走。贝叶斯公式需要的两个条件概率表里没有,先做一次因果推理把它们算出来,再翻过来。

本例的答案是联合 0.76,因果 0.884,诊断 0.988,另有练习 0.095。变量再多,套路也不变:看问题顺着还是逆着箭头,缺哪个父节点就补哪个。

课件里的坑

  • [口径差异] p.24 说四个变量的联合表要 16 个数 → 那是格子数;归一化约束下自由参数是 15 个,两种说法口径不同(p.24)
  • [课件留白] p.27 只写到公式就标了 DONE,没把数代完 → 结果 0.988 要自己用 p.26 的两个数补算(p.27)
  • [依据不同] p.25 化简时 P(L|CET) → P(L|E) 和 P(E|T) → P(E) 用两种颜色标注,依据一个是条件独立、一个是根节点本来独立,答题时要分开写(p.25)
  • [四舍五入] p.27 若用 0.884 代入,分母是 0.8051;改用没四舍五入的 0.8835,分母略有出入,两种写法结果都约 0.988(p.27)

课后 10 分钟:考点复习

这 10 分钟怎么用:合上页面,先画出 E、T、C、L 四个节点和箭头,默写全部 8 个数;然后依次算联合 P(ETCL)、因果 P(C|T) 和 P(C|T^c)、诊断 P(T|C),每一步写出依据;最后回查两个最容易错的地方:因果推理漏补父节点,诊断推理把含两个父节点的表直接代进贝叶斯公式。

必背

  1. 联合概率通式 P(x₁…x_n) = ∏ P(x_i | parents(x_i));本例 P(ETCL) = 0.96 × 0.93 × 0.95 × 0.9 ≈ 0.76。
  2. 因果推理顺箭头走,把缺失的父节点用全概率公式补齐(Include all the parents),P(C|T) ≈ 0.884,P(C|T^c) = 0.095。
  3. 诊断推理逆箭头走,先做因果推理算出 P(C|T)、P(C|T^c),再套贝叶斯公式,P(T|C) ≈ 0.988。
  4. 四个布尔变量的联合表有 16 格(自由参数 15 个),BBN 只要 2 + 2 + 4 = 8 个数。
  5. 化简 P(L|CET) → P(L|E) 依据条件独立;P(E|T) → P(E) 依据两个根节点本来独立。

课件例题

下面几道共用一张网络(课件 p.24)。四个布尔变量:E 供电正常、T 老师来了、C 上了课、L 图书馆开门。E 和 T 是根节点;E → L;E → C ← T。概率表:P(E) = 0.95,P(T) = 0.9;P(L|E) = 0.96,P(L|E^c) = 0.2;P(C|E,T) = 0.93,P(C|E,T^c) = 0.1,P(C|E^c,T) = 0,P(C|E^c,T^c) = 0。

贝叶斯网络:根节点 E、T 标着 P(E) = 0.95、P(T) = 0.9;E 指向 L,E 和 T 一起指向 C;下方列出 P(L|E) = 0.96、P(L|E^c) = 0.2 和 C 的四行条件概率 0.93、0.1、0、0
图片来源:COMP5511 Lecture 3 Uncertainty, p.24

例 1(课件 p.24):这张网络要记几个数?

题面:比较直接列联合表和用 BBN 各要几个数。

提示

每个节点要的数 = 2 的(父节点个数)次方。

解答

联合表 2⁴ = 16 格,归一化后自由参数 15 个。BBN:E、T 各 1 个,L 2 个,C 4 个,共 2 + 2 + 4 = 8 个。联合表随变量总数指数增长,BBN 只随每个节点的父节点数指数增长。

例 2(课件 p.25):四件事同时发生的概率 P(ETCL)

题面:求供电正常、老师来了、上了课、图书馆开门四件事同时发生的概率。

提示

把下游节点排在前面,用链式法则展开,再按图把每个条件剪到只剩父节点。

解答
  1. 排序:写成 P(LCET)。
  2. 链式法则:P(LCET) = P(L|CET)·P(C|ET)·P(E|T)·P(T)。
  3. 按图化简:P(L|CET) 变成 P(L|E)(条件独立);P(E|T) 变成 P(E)(根节点本来独立)。
  4. 代数:0.96 × 0.93 × 0.95 × 0.9 ≈ 0.76。

例 3(课件 p.26):已知老师来了,上课的概率 P(C|T)

题面:求 P(C|T)。

提示

C 的表按 E、T 给出,E 没给,用全概率公式补进去。

解答

P(C|T) = P(C|ET)·P(E) + P(C|E^c T)·P(E^c) = 0.93 × 0.95 + 0 × 0.05 = 0.8835 ≈ 0.884。

例 4(课件 p.26):老师没来,上课的概率 P(C|T^c)

题面:课件在同一页底部留的练习,求 P(C|T^c)。

提示

套路和例 3 一样,表里换成 T^c 那一行。

解答

P(C|T^c) = P(C|E T^c)·P(E) + P(C|E^c T^c)·P(E^c) = 0.1 × 0.95 + 0 × 0.05 = 0.095。

例 5(课件 p.27):已知课上了,老师来过的概率 P(T|C)

见下方完整例题。

完整例题

题面(课件 p.24、p.27):网络和概率表同上。求 P(T|C):已知课上了,老师来过的概率是多少?

  1. 判断方向。C 是 T 的后代,问的是从结果反推原因,属于诊断推理,要用贝叶斯公式:P(T|C) = P(C|T)·P(T) / [P(C|T^c)·P(T^c) + P(C|T)·P(T)]。
  2. 发现缺口。P(T) = 0.9、P(T^c) = 0.1 是给定的,但 P(C|T) 和 P(C|T^c) 表里没有,C 的表是按 (E, T) 两个父节点给的。这两项得先用因果推理算出来。
  3. 补齐父节点,算 P(C|T):P(C|T) = P(C|ET)·P(E) + P(C|E^c T)·P(E^c) = 0.93 × 0.95 + 0 × 0.05 = 0.8835 ≈ 0.884。
  4. 同样算 P(C|T^c):P(C|T^c) = 0.1 × 0.95 + 0 × 0.05 = 0.095。
  5. 代回贝叶斯公式:P(T|C) = (0.884 × 0.9) / (0.095 × 0.1 + 0.884 × 0.9) = 0.7956 / (0.0095 + 0.7956) = 0.7956 / 0.8051 ≈ 0.988。
  6. 读懂这个数。先验 0.9 升到后验 0.988。老师不来时上课的概率只有 0.095,所以「课上成了」几乎坐实了老师来过。

要点:诊断推理 = 先做因果推理把两个条件概率算出来,再套贝叶斯公式。课件 p.27 只写到公式就停了,数要自己代完。

答题格式:先写贝叶斯公式,再单列两行因果推理,最后代数相除,每个中间结果都写出来。

变式题(先自己做)

改编自课件 p.24–27,同一张网络、同一张条件概率表: (1) 已知课上了,供电正常的概率 P(E|C) 是多少? (2) 已知课上了,图书馆开门的概率 P(L|C) 是多少? (3) 已知课没上,老师来过的概率 P(T|C^c) 是多少?

提示

(1) 骨架和 P(T|C) 一样,但这次要补的父节点换成 T;算完回头看一眼 C 的表里 E^c 那两格。(2) 给定 E 时 L 与 C 条件独立,按 E 拆两块,用 (1) 的结果。(3) 先用 1 减得到 P(C^c|T) 和 P(C^c|T^c),再套贝叶斯公式。

判分点与答案(非官方评分标准)

判分点:① 三题都要先做因果推理补齐父节点,不能把含两个父节点的条件概率直接当作边缘概率;② (1) 答案是整数 1,必须写出理由;③ (2) 要写出「给定 E 时 L 与 C 条件独立」这条依据;④ (3) 要先求补概率。

(1) P(C|E) = 0.93 × 0.9 + 0.1 × 0.1 = 0.837 + 0.01 = 0.847。P(C|E^c) = 0 × 0.9 + 0 × 0.1 = 0。P(C) = 0.847 × 0.95 + 0 × 0.05 = 0.80465。P(E|C) = (0.847 × 0.95) / 0.80465 = 1。理由:C 的表里 E^c 那两格都是 0,没电绝不可能上课,所以「课上了」直接蕴含「有电」。

(2) P(L|C) = P(L|E)·P(E|C) + P(L|E^c)·P(E^c|C) = 0.96 × 1 + 0.2 × 0 = 0.96。依据:L 的父节点只有 E,给定 E 时 L 与 C 条件独立。

(3) P(C^c|T) = 1 − 0.8835 = 0.1165,P(C^c|T^c) = 1 − 0.095 = 0.905。P(T|C^c) = (0.1165 × 0.9) / (0.1165 × 0.9 + 0.905 × 0.1) = 0.10485 / (0.10485 + 0.0905) = 0.10485 / 0.19535 ≈ 0.537。课没上,老师来过的概率从先验 0.9 掉到约 0.54。

闪卡自测

1. 四个布尔变量的网络,联合表和 BBN 各要几个数?

联合表 2⁴ = 16 个格子(自由参数 15 个);BBN 只要 2(两个根节点先验)+ 2(L 的表)+ 4(C 的表)= 8 个。联合表随变量数指数增长,BBN 只随每个节点的父节点数指数增长(p.24)。

2. p.24 那张 C 的条件概率表反映了什么建模假设?

后两格 P(C|E^c,T) 和 P(C|E^c,T^c) 都是 0,意思是没电就绝对上不了课;而 P(C|E,T^c) = 0.1,意思是有电但老师不来仍有 0.1 的概率上课,可能是自习或代课(p.24)。

3. 联合概率通式是什么?本例 P(ETCL) 是多少?

P(x₁…x_n) = ∏ P(x_i | parents(x_i))。本例 P(ETCL) = P(L|E)·P(C|ET)·P(E)·P(T) = 0.96 × 0.93 × 0.95 × 0.9 ≈ 0.76(p.25)。

4. 算 P(ETCL) 时两步化简各用什么依据?

P(L|CET) → P(L|E):条件独立,L 的父节点只有 E。P(E|T) → P(E):E、T 都是根节点,本来就独立(p.25)。

5. 因果推理里为什么要「补齐父节点」?

目标节点的条件概率表是按它全部父节点的取值组合给的。题目只给了部分父节点时,表里查不到,要用全概率公式对缺的父节点的每种取值求和,例如 P(C|T) 要对 E 和 E^c 两种情况加起来(p.26)。

6. P(C|T) 和 P(C|T^c) 各是多少?

P(C|T) = 0.93 × 0.95 + 0 × 0.05 = 0.8835 ≈ 0.884;P(C|T^c) = 0.1 × 0.95 + 0 × 0.05 = 0.095(p.26)。

7. 诊断推理 P(T|C) 怎么算?结果是多少?

先做因果推理得到 P(C|T) ≈ 0.884、P(C|T^c) = 0.095,再套贝叶斯公式:0.884 × 0.9 / (0.095 × 0.1 + 0.884 × 0.9) = 0.7956 / 0.8051 ≈ 0.988(p.27)。

8. 联合、因果、诊断三种问法各顺着还是逆着箭头?各用什么工具?

联合:全部指定,按父节点连乘,本例 0.76。因果:顺着箭头,全概率公式补齐父节点,P(C|T) ≈ 0.884。诊断:逆着箭头,先做因果推理再套贝叶斯,P(T|C) ≈ 0.988(p.25–27)。

下一讲

本周另一份课件换了一条路线:信息是确定的蕴含关系、不是概率时,用符号逻辑做推理。从命题逻辑讲起,见 L03b-1。

下一讲 →
T03 T03 Tutorial 3:四份 PyTorch notebook,一套训练骨架

个人整理的学习笔记,不是官方材料;数字与结论以课件和讲师为准。