Pytorch基础复习

项目推进中期，重新到头来学Pytorch。five落泪了。(╬▔皿▔)凸

笑死，憋不住了，边更边学。

整篇博客整体采用总分总形式。首先将介绍内容（加黑部分）之间关系进行概括，后拆解，最后以图总结。

全文参考链接：学习 PyTorch (apachecn.org)

分类器 对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。

分类器训练流程如下

神经网络   相关具体知识在此不作赘述。以下链接、推荐供大概了解。博客用到的相关知识会再做解释。

大部分神经网络可分类作前馈网络，仅做正向传播，数据仅从输入经处理到输出。但也可以使用反向传播来训练模型，以达到调整模型参数的目的。

神经网络的模型参数含权重、阈值、损失/loss等。

神经网络一般训练过程如下

参考链接：什么是神经网络？ - 中国 | IBM

参考书：西瓜书

Pytorch   一个python语言的科学计算/深度学习框架，可用于搭建神经网络。

import torch

基础知识——Tensor  一个类似numpy的ndarray，且可以在GPU上运行的lib。

在Pytorch框架中，神经网络的输入、输出及参数都用Tensor来描述。

在通过下列引用后，

import torch
import numpy as np

可实现操作包含但不限于

• （随机）创建Tensor
• 构建全0矩阵/指定数据的矩阵
• 重载已有的Tensor
• 获取Tensor的shape/Data type/存储的device
• 运算
• 索引某个值
• 改变Tensor的shape
• torch、numpy之间转换

加载数据

其中可调用子类化后的自己的BasicDataset，实例化，用BasicDataset的方法len()查看数据集大小。

图片来自链接：Pytorch-UNet-master>utils>data_loading.py - 麋鹿咖啡魔法师 - 博客园 (cnblogs.com)

定义神经网络

用torch.nn来构建神经网络。其中nn.Module包含各层，以及返回output的方法forward(input)。

torch.autograd为torch.nn提供支持，以定义模型并对其进行微分。

import torch
import torch.nn as nn
import torch.nn.functional as F

定义损失函数 --> 计算损失

将梯度反向传播给网络参数

更新权重