PyTorch第一步

1.Tensor

from __future__ import print_function
import torch as t

# 构建 5x3 矩阵，只是分配了空间，未初始化
x = t.Tensor(5, 3)x = t.Tensor([[1,2],[3,4]])
x

tensor([[1., 2.],[3., 4.]])

# 使用[0,1]均匀分布随机初始化二维数组
x = t.rand(5, 3)
x

tensor([[0.0626, 0.2190, 0.8587],[0.9044, 0.4278, 0.8374],[0.1144, 0.4394, 0.7455],[0.5614, 0.7953, 0.2981],[0.2485, 0.6495, 0.5445]])

print(x.size()) # 查看x的形状
x.size()[1], x.size(1) # 查看列的个数, 两种写法等价

torch.Size([5, 3])(3, 3)

【注】torch.Size 是tuple对象的子类，因此它支持tuple的所有操作，如x.size()[0]

加法

y = t.rand(5, 3)
# 加法的第一种写法
x + y

tensor([[0.4237, 0.8735, 0.9449],[1.7534, 1.3813, 1.5050],[0.5260, 1.1490, 0.7811],[1.4929, 0.8446, 1.1280],[0.3338, 1.5457, 0.8867]])

# 加法的第二种写法
t.add(x, y)

tensor([[0.4237, 0.8735, 0.9449],[1.7534, 1.3813, 1.5050],[0.5260, 1.1490, 0.7811],[1.4929, 0.8446, 1.1280],[0.3338, 1.5457, 0.8867]])

# 加法的第三种写法：指定加法结果的输出目标为result
result = t.Tensor(5, 3) # 预先分配空间
t.add(x, y, out=result) # 输入到result
result

tensor([[0.4237, 0.8735, 0.9449],[1.7534, 1.3813, 1.5050],[0.5260, 1.1490, 0.7811],[1.4929, 0.8446, 1.1280],[0.3338, 1.5457, 0.8867]])

print('最初y')
print(y)print('第一种加法，y的结果')
y.add(x) # 普通加法，不改变y的内容
print(y)print('第二种加法，y的结果')
y.add_(x) # inplace 加法，y变了
print(y)

最初y
tensor([[0.3611, 0.6546, 0.0862],[0.8490, 0.9535, 0.6677],[0.4116, 0.7096, 0.0356],[0.9315, 0.0494, 0.8299],[0.0853, 0.8961, 0.3422]])
第一种加法，y的结果
tensor([[0.3611, 0.6546, 0.0862],[0.8490, 0.9535, 0.6677],[0.4116, 0.7096, 0.0356],[0.9315, 0.0494, 0.8299],[0.0853, 0.8961, 0.3422]])
第二种加法，y的结果
tensor([[0.4237, 0.8735, 0.9449],[1.7534, 1.3813, 1.5050],[0.5260, 1.1490, 0.7811],[1.4929, 0.8446, 1.1280],[0.3338, 1.5457, 0.8867]])

【注】函数名后面带下划线_ 的函数会修改Tensor本身。例如，x.add_(y)和x.t_()会改变 x，但x.add(y)和x.t()返回一个新的Tensor，而x不变。

# Tensor的选取操作与Numpy类似：这里输出x的第1列（下标从0开始）数据
print(x)
print(x[:, 1])

tensor([[0.0626, 0.2190, 0.8587],[0.9044, 0.4278, 0.8374],[0.1144, 0.4394, 0.7455],[0.5614, 0.7953, 0.2981],[0.2485, 0.6495, 0.5445]])
tensor([0.2190, 0.4278, 0.4394, 0.7953, 0.6495])

Tensor还支持很多操作，包括数学运算、线性代数、选择、切片等等，其接口设计与Numpy极为相似。更详细的使用方法，会在第三章系统讲解。Tensor和Numpy的数组之间的互操作非常容易且快速。对于Tensor不支持的操作，可以先转为Numpy数组处理，之后再转回Tensor。

a = t.ones(5) # 新建一个全1的Tensor
a

tensor([1., 1., 1., 1., 1.])

b = a.numpy() # Tensor -> Numpy
b

array([1., 1., 1., 1., 1.], dtype=float32)

import numpy as np
a = np.ones(5)
b = t.from_numpy(a) # Numpy->Tensor
print(a)
print(b)

[1. 1. 1. 1. 1.]
tensor([1., 1., 1., 1., 1.], dtype=torch.float64)

Tensor和numpy对象共享内存，所以他们之间的转换很快，而且几乎不会消耗什么资源。但这也意味着，如果其中一个变了，另外一个也会随之改变。

b.add_(1) # 以`_`结尾的函数会修改自身
print(a)
print(b) # Tensor和Numpy共享内存

[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

如果你想获取某一个元素的值，可以使用scalar.item。直接tensor[idx]得到的还是一个tensor: 一个0-dim 的tensor，一般称为scalar.

scalar = b[0]
scalar

tensor(2., dtype=torch.float64)

scalar.size() #0-dim

torch.Size([])

scalar.item() # 使用scalar.item()能从中取出python对象的数值

2.0

tensor = t.tensor([2]) # 注意和scalar的区别
tensor,scalar

(tensor([2]), tensor(2., dtype=torch.float64))

tensor.size(),scalar.size()

(torch.Size([1]), torch.Size([]))

# 只有一个元素的tensor也可以调用`tensor.item()`
tensor.item(), scalar.item()

(2, 2.0)

此外在pytorch中还有一个和np.array 很类似的接口: torch.tensor, 二者的使用十分类似。

tensor = t.tensor([3,4]) # 新建一个包含 3，4 两个元素的tensor

scalar = t.tensor(3)
scalar

tensor(3)

old_tensor = tensor
new_tensor = old_tensor.clone()
new_tensor[0] = 1111
old_tensor, new_tensor

(tensor([3, 4]), tensor([1111,    4]))

需要注意的是，t.tensor()或者tensor.clone()总是会进行数据拷贝，新tensor和原来的数据不再共享内存。所以如果你想共享内存的话，建议使用torch.from_numpy()或者tensor.detach()来新建一个tensor, 二者共享内存。

new_tensor = old_tensor.detach()
new_tensor[0] = 1111
old_tensor, new_tensor

(tensor([1111,    4]), tensor([1111,    4]))

2.autograd: 自动微分

深度学习的算法本质上是通过反向传播求导数，而PyTorch的autograd模块则实现了此功能。在Tensor上的所有操作，autograd都能为它们自动提供微分，避免了手动计算导数的复杂过程。

从0.4起, Variable 正式合并入Tensor, Variable 本来实现的自动微分功能，Tensor就能支持。读者还是可以使用Variable(tensor), 但是这个操作其实什么都没做。建议读者以后直接使用tensor.

要想使得Tensor使用autograd功能，只需要设置tensor.requries_grad=True.

# 为tensor设置 requires_grad 标识，代表着需要求导数
# pytorch 会自动调用autograd 记录操作
x = t.ones(2, 2, requires_grad=True)# 上一步等价于
# x = t.ones(2,2)
# x.requires_grad = Truex

tensor([[1., 1.],[1., 1.]], requires_grad=True)

y = x.sum()
y

tensor(4., grad_fn=<SumBackward0>)

y.grad_fn

<SumBackward0 at 0x25f3331b4c8>

y.backward() # 反向传播,计算梯度

# y = x.sum() = (x[0][0] + x[0][1] + x[1][0] + x[1][1])
# 每个值的梯度都为1
x.grad

tensor([[1., 1.],[1., 1.]])

注意：grad在反向传播过程中是累加的(accumulated)，这意味着每一次运行反向传播，梯度都会累加之前的梯度，所以反向传播之前需把梯度清零。

y.backward()
x.grad

tensor([[2., 2.],[2., 2.]])

# 以下划线结束的函数是inplace操作，会修改自身的值，就像add_
x.grad.data.zero_()

tensor([[0., 0.],[0., 0.]])

y.backward()
x.grad

tensor([[1., 1.],[1., 1.]])

3.神经网络

Autograd实现了反向传播功能，但是直接用来写深度学习的代码在很多情况下还是稍显复杂，torch.nn是专门为神经网络设计的模块化接口。nn构建于 Autograd之上，可用来定义和运行神经网络。nn.Module是nn中最重要的类，可把它看成是一个网络的封装，包含网络各层定义以及forward方法，调用forward(input)方法，可返回前向传播的结果。

定义网络

定义网络时，需要继承nn.Module，并实现它的forward方法，把网络中具有可学习参数的层放在构造函数__init__中。如果某一层(如ReLU)不具有可学习的参数，则既可以放在构造函数中，也可以不放，但建议不放在其中，而在forward中使用nn.functional代替。

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):# nn.Module子类的函数必须在构造函数中执行父类的构造函数# 下式等价于nn.Module.__init__(self)super(Net, self).__init__()# 卷积层 '1'表示输入图片为单通道, '6'表示输出通道数，'5'表示卷积核为5*5self.conv1 = nn.Conv2d(1, 6, 5) # 卷积层self.conv2 = nn.Conv2d(6, 16, 5) # 仿射层/全连接层，y = Wx + bself.fc1   = nn.Linear(16*5*5, 120) self.fc2   = nn.Linear(120, 84)self.fc3   = nn.Linear(84, 10)        # class torch.nn.Linear（in_features，out_features，bias = True ）# 对传入数据应用线性变换：y = A x+ b# 参数：# in_features - 每个输入样本的大小# out_features - 每个输出样本的大小# bias - 如果设置为False，则图层不会学习附加偏差。默认值：Truedef forward(self, x): # 卷积 -> 激活 -> 池化 x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))x = F.max_pool2d(F.relu(self.conv2(x)), 2) # reshape，‘-1’表示列是自适应x = x.view(x.size()[0], -1) # relu 一种激活函数，f(x)=max(0,x)x = F.relu(self.fc1(x))       x = F.relu(self.fc2(x))x = self.fc3(x)        return xnet = Net()
print(net)

Net((conv1): Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))(conv2): Conv2d(6, 16, kernel_size=(5, 5), stride=(1, 1))(fc1): Linear(in_features=400, out_features=120, bias=True)(fc2): Linear(in_features=120, out_features=84, bias=True)(fc3): Linear(in_features=84, out_features=10, bias=True)
)

只要在nn.Module的子类中定义了forward函数，backward函数就会自动被实现(利用autograd)。在forward 函数中可使用任何tensor支持的函数，还可以使用if、for循环、print、log等Python语法，写法和标准的Python写法一致。

网络的可学习参数通过net.parameters()返回，net.named_parameters可同时返回可学习的参数及名称。

params = list(net.parameters())
print(len(params))

for name,parameters in net.named_parameters():print(name,':',parameters.size())

conv1.weight : torch.Size([6, 1, 5, 5])
conv1.bias : torch.Size([6])
conv2.weight : torch.Size([16, 6, 5, 5])
conv2.bias : torch.Size([16])
fc1.weight : torch.Size([120, 400])
fc1.bias : torch.Size([120])
fc2.weight : torch.Size([84, 120])
fc2.bias : torch.Size([84])
fc3.weight : torch.Size([10, 84])
fc3.bias : torch.Size([10])

forward函数的输入和输出都是Tensor。

input = t.randn(1, 1, 32, 32)
out = net(input)
out.size()

torch.Size([1, 10])

net.zero_grad() # 所有参数的梯度清零
out.backward(t.ones(1,10)) # 反向传播

需要注意的是，torch.nn只支持mini-batches，不支持一次只输入一个样本，即一次必须是一个batch。但如果只想输入一个样本，则用 input.unsqueeze(0)将batch_size设为１。例如 nn.Conv2d 输入必须是4维的，形如nSamples×nChannels×Height×WidthnSamples \times nChannels \times Height \times WidthnSamples×nChannels×Height×Width。可将nSample设为1，即1×nChannels×Height×Width1 \times nChannels \times Height \times Width1×nChannels×Height×Width。

4.损失函数

nn实现了神经网络中大多数的损失函数，例如nn.MSELoss用来计算均方误差，nn.CrossEntropyLoss用来计算交叉熵损失。

output = net(input) # 预测值
target = t.arange(0,10).view(1,10).float() # 真实值
criterion = nn.MSELoss() # 确定损失函数
loss = criterion(output, target) # 计算损失
loss # loss是个scalar，即 0-dim 的数组

tensor(28.3596, grad_fn=<MseLossBackward>)

如果对loss进行反向传播溯源(使用gradfn属性)，可看到它的计算图如下：

input -> conv2d -> relu -> maxpool2d -> conv2d -> relu -> maxpool2d
-> view -> linear -> relu -> linear -> relu -> linear
-> MSELoss
-> loss

当调用loss.backward()时，该图会动态生成并自动微分，也即会自动计算图中参数(Parameter)的导数。

# 运行.backward，观察调用之前和调用之后的grad
net.zero_grad() # 把net中所有可学习参数的梯度清零
print('反向传播之前 conv1.bias的梯度')
print(net.conv1.bias.grad)
loss.backward()
print('反向传播之后 conv1.bias的梯度')
print(net.conv1.bias.grad)

反向传播之前 conv1.bias的梯度
tensor([0., 0., 0., 0., 0., 0.])
反向传播之后 conv1.bias的梯度
tensor([ 0.0404,  0.0388,  0.1300,  0.0091, -0.0929, -0.0989])

5.优化器

在反向传播计算完所有参数的梯度后，还需要使用优化方法来更新网络的权重和参数，例如随机梯度下降法(SGD)的更新策略如下：
weight = weight - learning_rate * gradient
手动实现如下：
learning_rate = 0.01
for f in net.parameters():
f.data.sub_(f.grad.data * learning_rate)# inplace 减法
torch.optim中实现了深度学习中绝大多数的优化方法，例如RMSProp、Adam、SGD等，更便于使用，因此大多数时候并不需要手动写上述代码。

import torch.optim as optim
#新建一个优化器，指定要调整的参数和学习率
optimizer = optim.SGD(net.parameters(), lr = 0.01)# 在训练过程中
# 先梯度清零(与net.zero_grad()效果一样)
optimizer.zero_grad() # 计算损失
output = net(input)
loss = criterion(output, target)#反向传播
loss.backward()#更新参数
optimizer.step()

6.数据加载与预处理

在深度学习中数据加载及预处理是非常复杂繁琐的，但PyTorch提供了一些可极大简化和加快数据处理流程的工具。同时，对于常用的数据集，PyTorch也提供了封装好的接口供用户快速调用，这些数据集主要保存在torchvison中。

torchvision实现了常用的图像数据加载功能，例如Imagenet、CIFAR10、MNIST等，以及常用的数据转换操作，这极大地方便了数据加载，并且代码具有可重用性。

小试牛刀：CIFAR-10分类

下面我们来尝试实现对CIFAR-10数据集的分类，步骤如下:

使用torchvision加载并预处理CIFAR-10数据集
定义网络
定义损失函数和优化器
训练网络并更新网络参数
测试网络

CIFAR-10数据加载及预处理

CIFAR-101是一个常用的彩色图片数据集，它有10个类别: ‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。每张图片都是3×32×323\times32\times323×32×32，也即3-通道彩色图片，分辨率为32×3232\times3232×32。

import torchvision as tv
import torchvision.transforms as transforms
from torchvision.transforms import ToPILImage
show = ToPILImage() # 可以把Tensor转成Image，方便可视化

# 第一次运行程序torchvision会自动下载CIFAR-10数据集，
# 大约100M，需花费一定的时间，
# 如果已经下载有CIFAR-10，可通过root参数指定# 定义对数据的预处理
transform = transforms.Compose([transforms.ToTensor(), # 转为Tensortransforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)), # 归一化])# 训练集
trainset = tv.datasets.CIFAR10(root='/home/cy/tmp/data/', train=True, download=True,transform=transform)trainloader = t.utils.data.DataLoader(trainset,  # dataset：包含所有数据的数据集batch_size=4, # batch_size：一批里面所包含的数据的数量shuffle=True, # shuffle：是否打乱数据位置，当为Ture时打乱数据，全部抛出数据后再次dataloader时重新打乱。num_workers=2) # num_workers：使用线程的数量，当为0时数据直接加载到主程序，默认为0。# 测试集
testset = tv.datasets.CIFAR10('/home/cy/tmp/data/',train=False, download=True, transform=transform)testloader = t.utils.data.DataLoader(testset,batch_size=4, shuffle=False,num_workers=2)classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

【注】

ToTensor类是实现：Convert a PIL Image or numpy.ndarray to tensor的过程，在PyTorch中常用PIL库来读取图像数据，因此这个方法相当于搭建了PIL Image和Tensor的桥梁。另外要强调的是在做数据归一化之前必须要把PILImage转成Tensor，而其他resize或crop操作则不需要。
Normalize类是做数据归一化的，一般都会对输入数据做这样的操作
其他参数介绍可以参考这里链接：https://www.jianshu.com/p/1ae863c1e66d

举个例子：
transform.ToTensor(),
transform.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))
以上面代码为例，ToTensor()能够把灰度范围从0-255变换到0-1之间，而后面的transform.Normalize()则把0-1变换到(-1,1).具体地说，对每个通道而言，Normalize执行以下操作：
image=(image-mean)/std
其中mean和std分别通过(0.5,0.5,0.5)和(0.5,0.5,0.5)进行指定。原来的0-1最小值0则变成(0-0.5)/0.5=-1，而最大值1则变成(1-0.5)/0.5=1.

Dataset对象是一个数据集，可以按下标访问，返回形如(data, label)的数据。

(data, label) = trainset[100]
print(classes[label])# (data + 1) / 2是为了还原被归一化的数据
show((data + 1) / 2).resize((100, 100))

Dataloader是一个可迭代的对象，它将dataset返回的每一条数据拼接成一个batch，并提供多线程加速优化和数据打乱等操作。当程序对dataset的所有数据遍历完一遍之后，相应的对Dataloader也完成了一次迭代。

dataiter = iter(trainloader)
images, labels = dataiter.next() # 返回4张图片及标签
print(' '.join('%11s'%classes[labels[j]] for j in range(4)))
show(tv.utils.make_grid((images+1)/2)).resize((400,100))

定义网络

拷贝上面的LeNet网络，修改self.conv1第一个参数为3通道，因CIFAR-10是3通道彩图。

import torch.nn as nn
import torch.nn.functional as Fclass Net(nn.Module):def __init__(self):super(Net, self).__init__()self.conv1 = nn.Conv2d(3, 6, 5) self.conv2 = nn.Conv2d(6, 16, 5)  self.fc1   = nn.Linear(16*5*5, 120)  self.fc2   = nn.Linear(120, 84)self.fc3   = nn.Linear(84, 10)def forward(self, x): x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = F.max_pool2d(F.relu(self.conv2(x)), 2) x = x.view(x.size()[0], -1) x = F.relu(self.fc1(x))x = F.relu(self.fc2(x))x = self.fc3(x)        return xnet = Net()
print(net)

定义损失函数和优化器(loss和optimizer)

from torch import optim
criterion = nn.CrossEntropyLoss() # 交叉熵损失函数
# SGD 就是随机梯度下降
# momentum 动量加速,在SGD函数里指定momentum的值即可
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

训练网络

所有网络的训练流程都是类似的，不断地执行如下流程：

输入数据
前向传播+反向传播
更新参数

torch.set_num_threads(int): 设定用于并行化CPU操作的OpenMP线程数

不设置，cpu51%，时间15ms

2的时候，cpu17%,时间15ms变为25ms

4的时候，cpu34%，时间17ms

8的时候，cpu67%

t.set_num_threads(8)
for epoch in range(2):  running_loss = 0.0for i, data in enumerate(trainloader, 0):# 输入数据inputs, labels = data# 梯度清零optimizer.zero_grad()# forward + backward outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()   # 更新参数 optimizer.step()# 打印log信息# loss 是一个scalar,需要使用loss.item()来获取数值，不能使用loss[0]running_loss += loss.item()if i % 2000 == 1999: # 每2000个batch打印一下训练状态print('[%d, %5d] loss: %.3f' \% (epoch+1, i+1, running_loss / 2000))running_loss = 0.0
print('Finished Training')

此处仅训练了2个epoch（遍历完一遍数据集称为一个epoch），来看看网络有没有效果。将测试图片输入到网络中，计算它的label，然后与实际的label进行比较。

dataiter = iter(testloader)
images, labels = dataiter.next() # 一个batch返回4张图片
print('实际的label: ', ' '.join(\'%08s'%classes[labels[j]] for j in range(4)))
show(tv.utils.make_grid(images / 2 - 0.5)).resize((400,100))

接着计算网络预测的label：

# 计算图片在每个类别上的分数
outputs = net(images)
# 得分最高的那个类
_, predicted = t.max(outputs.data, 1)print('预测结果: ', ' '.join('%5s'\% classes[predicted[j]] for j in range(4)))

已经可以看出效果，准确率50%，但这只是一部分的图片，再来看看在整个测试集上的效果。

correct = 0 # 预测正确的图片数
total = 0 # 总共的图片数# 由于测试的时候不需要求导，可以暂时关闭autograd，提高速度，节约内存
with t.no_grad():for data in testloader:images, labels = dataoutputs = net(images)_, predicted = t.max(outputs, 1)total += labels.size(0)correct += (predicted == labels).sum()print('10000张测试集中的准确率为: %d %%' % (100 * correct / total))

10000张测试集中的准确率为: 53 %

训练的准确率远比随机猜测(准确率10%)好，证明网络确实学到了东西。

总结：

对PyTorch的基础介绍至此结束。总结一下，本节主要包含以下内容。

Tensor: 类似Numpy数组的数据结构，与Numpy接口类似，可方便地互相转换。
autograd/: 为tensor提供自动求导功能。
nn: 专门为神经网络设计的接口，提供了很多有用的功能(神经网络层，损失函数，优化器等)。
神经网络训练: 以CIFAR-10分类为例演示了神经网络的训练流程，包括数据加载、网络搭建、训练及测试。

参考书目：《深度学习框架 PyTorch 入门与实战》陈云编著

pytorch初入门学习记录相关推荐

学python有哪些用途-初入门学习python有哪些用途?
python是人工智能的重要编程语言,无论发展前景还是就业方向,不可限量.更重要的是python还是一个高层次的结合了解释性.编译性.互动性和面向对象的脚本语言.那么初入门学习python有哪些用途呢 ...
SSM框架入门学习记录
SSM框架入门学习记录 //项目结构在这里插入图片描述在这里插入图片描述包名多种多样,命名习惯问题. 流程:Controller(接受请求)-->Service(biz)(bl)(写业务函 ...
jmeter入门学习记录
jmeter入门学习记录 Jmeter 介绍下载和运行发送简单请求测试第一步:建立Thread Group 第二步:新建一个 HTTP Request 第三步:添加HTTP Head Manag ...
MOOSE多物理场耦合平台入门学习记录一（稳态热传导程序实例）
MOOSE多物理场耦合平台入门学习记录 MOOSE的简介 MOOSE的安装 Linux和Mac Windows MOOSE程序的一般开发流程-以导热微分方程为例简单问题的有限元处理 MOOSE程序的 ...
stm32f103c8t6c语言教程,STM32f103C8T6入门学习记录.doc
STM32f103C8T6入门学习记录 STM32 自学笔记作者:忙碌的小姚新浪微博:@忙碌的小姚新浪博客: /mlxiaoyao222 目录 STM32 自学笔记1 第一章3 我与 ...
黑马程序员 C++ 基础语法入门学习记录
基础语法入门文章目录一.初识C++ 1.1 新建项目 1.2 编写项目 1.3 运行程序 1.4 注释 1.5 变量 1.6 常量 1.7 关键字 1.8 标识符命名规则二.数据类型 2.1 整 ...
can总线配置读入是什么意思_Simulink（常量amp;总线amp;示波器模块）+嵌入式（AURIX入门学习记录CAN通信配置）...
1 Simulink Simulink-常量&总线&示波器模块a.标量与矩阵的运算在simulink中使用常量进行加减乘除计算时,系统会自动对标量进行拓展: 若将两个矩阵模块计算时维 ...
FPGA入门学习记录（1）----自动售货机（VM_FSM）
综述在写一个自动售货机状态机并仿真,上板的过程中遇到了各种问题.在解决这些零碎的问题后,在防止自己忘记这些经验以及用电子介质取代纸质记录的目的下,写下此文. 这些零碎的经验主要分VeilogHDl语 ...
金融量化入门学习记录
1. 相关书记推荐:Mastering-Python-for-Finance + 打开量化交易的黑箱,这两本书的资源我已经上传https://download.csdn.net/download/xd ...

pytorch初入门学习记录

PyTorch第一步

1.Tensor

加法

2.autograd: 自动微分

3.神经网络

定义网络

4.损失函数

5.优化器

6.数据加载与预处理

小试牛刀：CIFAR-10分类

CIFAR-10数据加载及预处理

定义网络

定义损失函数和优化器(loss和optimizer)

训练网络

总结：

pytorch初入门学习记录相关推荐

最新文章

热门文章