Deep Learning with PyTorch

最新推荐文章于 2021-06-04 15:16:47 发布

danshuitian

最新推荐文章于 2021-06-04 15:16:47 发布

阅读量2.9k

点赞数 1

文章标签：深度学习神经网络

本文链接：https://blog.youkuaiyun.com/danshuitian/article/details/104491446

版权

本文是针对2019年12月PyTorch官方发布的《Deep Learning with PyTorch》的学习总结，适合跨行初学者。介绍了PyTorch的特点、张量的基本概念，包括张量的存储、切片、尺寸、步长等，并探讨了学习机制，如学习率、epoch、反向传播。同时，文章也提到了张量与NumPy的转换，以及神经网络的参数初始化和训练流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

跨行小白，最近阅读了2019年12月Pytorch官网上深度学习的开源书《Deep Learning with PyTorch》，略作总结分享给大家，表述不当之处还请批评指正，感谢。

一、Pytorch简介
1.1 Pytorch的特点：灵活、基于python、张量。
1.2 Pytorch提供促进深度学习的库：
torch.nn（搭建神经网络）
torch.util.data（下载处理数据，又包括Dataset/DataLoader）
torch.nn.DataParallel and torch.distributed（CPU、GPU or 并机计算）
torch.optim（优化器）
torch.storage(张量存储）

二、张量
2.1 张量是PyTorch中最基本的数据结构。
2.2 张量存储与Python列表或元组的区别如下图：
Python object (boxed) numeric values versus tensor (unboxed array) numeric values
Python lists or tuples are individually allocated in memory，PyTorch tensors or NumPy arrays are views over contiguous memory.
2.3 张量的切片
（1）仍是一个张量
（2）未重新分配新的内存块储存切片结果，而是基于原储