fansv587的博客

在本节中，我们将了解如何通过保存、加载和运行模型预测来持久化模型状态。在这之前，先加载torch和torchvision包。

现在我们有了模型和数据，是时候通过优化数据参数来训练、验证和测试我们的模型了。训练模型是一个迭代过程；在每次迭代中，模型都会对输出进行猜测，计算其猜测中的误差（损失），收集误差相对于其参数的导数（正如我们在。

本节内容：来自Pytorch官网-Docs - Autograd mechanics本节将概述自动微分(autograd)的工作原理和记录操作。理解这一切并不是绝对必要的，但建议熟悉它，因为它将帮助您编写更高效、更干净的程序，还可以在调试程序时帮你理解程序。自动微分（Autograd）是一种反向自动微分系统。简单来说，当你进行各种运算时，自动求导会记录下所有产生数据的运算过程，为您提供一个有向无环图，其叶是输入张量，根是输出张量。从根到叶跟踪遍历此图，您可以使用链式法则自动计算梯度。在内部，自动微分将

在训练神经网络时，最常用的算法是反向传播。在该算法中，参数（模型权重）根据损失函数的梯度相对于给定参数进行调整。为了计算这些梯度，PyTorch有一个内置的微分引擎，名为torch.autograd。它支持为任何计算图自动计算梯度。考虑最简单的一层神经网络，具有输入x、参数w和b以及一些损失函数。

我们通过继承 PyTorch 的nn.Module类来定义自己的神经网络。在__init__这个特殊方法中，我们会初始化网络中需要用到的各个神经层（比如全连接层、卷积层等）。每个继承自·nn.Module·的子类都必须在·forward·方法中定义如何对输入数据进行处理（即实现前向传播逻辑）。nn.ReLU(),nn.ReLU(),# 我们创建一个NeuralNetwork的实例，并将其移动到device和printits结构。# 输出要使用模型，我们将输入数据传递给它。

所有TorchVision数据集都有两个参数——transform来修改特征，target_transform来修改标签——接受包含转换逻辑的可调用项。FashionMNIST 数据集的特征采用的是 Python Imaging Library（PIL）图像格式，而标签是整数。很多时候，数据并不总是以训练机器学习算法所需的最终处理形式出现。所以我们需要使用变换对数据进行一些处理，使其适合训练。对于训练来说，我们需要将特征转换为归一化的张量，将标签转换为独立热编码的张量。模块提供了几个开箱即用的转换。

自定义Dataset类必须实现三个函数：__init____len__和。看看这个实现；时尚MNIST图像存储在目录img_dir中，它们的标签单独存储在CSV文件annotations_file中。在下一节中，我们将分解这些函数中发生的事情。import os__init__函数在实例化Dataset对象时运行一次。我们初始化的目录包含图像、注释文件和两个转换（将在下一节中详细介绍）。labels. csv文件如下所示：......__len__函数返回数据集中的样本数。

在PyTorch存储库中，我们将加速器定义为与CPU一起使用以加快计算速度的设备（torch.device）。默认情况下，张量是在CPU上创建的。add_:加，copy_:复制，t_:转置.sub_:减法，mul_:乘法，div_:除法，zero_:变0，fill_:所有元素变为指定元素。在Torch中，我们使用张量来编码模型的输入和输出，以及模型的参数。CPU上的NumPy数组与张量可以共享它们的底层内存位置，改变一个就会改变另一个。张量的属性描述了它们的形状、数据类型和存储它们的设备。

在人工智能技术爆发的今天，PyTorch 凭借其动态计算图的灵活性和高效的 GPU 加速能力，已成为深度学习领域最受欢迎的框架之一。好吧，其实我写这个的原因是：很多有关人工智能的工作岗位都需要应聘者熟悉Tensorflow/scikit-learn/xgboost/Caffe/MindSpore/pytorch等主流深度学习框架，或者至少其中之一。那么torch自然就是一个很好的选择。