[ouc]走向深度学习-1.0

理解基本概念

配置开发环境

pytorch1.12.1和torchvision0.13.1

pycharm环境配置和debug

debug每个断点可以在运行到时可以观察参数的情况

step over和step into

按住ctrl查看参数定义

• 清华源
• pip install numpy== 查找可以装的版本
• pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple
• 手动装：从pypi下载.whl文件
• github-issue找已发现错误

PyTorch框架介绍与配置安装

why to choose:选的人多；向下兼容好

案例学习·使用神经网络进行分类任务

这部分难度较大，我在一步一步学习：
grab my courage again

Mnist分类任务

• torch中的基础模块
• 导入包import (版本–

1. 下载数据集 （data文件夹中

• 环境：jupyter

2. 读入数据 （packle
3. 展示数据 （pyplot； 不懂的多打印

• 讲解数据内容：规模，样本

4. 数据处理 （torch； 进行格式转换，map映射操作

• torch（tensor=张量）和numpy（ndarray）区别
• n,c：样本个数，像素特征

5. 测试torch

• nn.function：测试，简单；nn.Module
• 测试函数（x*w+b）：损失，交叉；
• 指定一次训练多少个样本=>x；初始化w和b
• 权重参数：随机初始化而来
• 初始化w：规模考虑输入，经过一层计算，10个分类（10个数字），模型更新=>w需要有梯度
• 参与计算的两个参数：预测结果，标签

6. 构建模型：手写字体识别

• 全连接结构：每一层都是权重参数*输入+偏置项

• 结构：输入层：784（28*28）个像素=> 隐层(hidden units)：128个神经元=> 输出层：取决于任务（10个数字分类）

• 逻辑：输入=> 得到128个特征=> 当前样本属于各个分类的概率

• 6.1.构建网络：引入nn（神经网络）模块；面向工具包编程（定义一个类，继承nn.Module；定义构造函数（定义层；定义随机杀死神经元百分比）；定义前向传播：输入x，定义怎样用，走一层还走drop out避免过度拟合

• 打印一些数据，做基本观察

• 6.2. 构建数据集：TensorDataset（封装数据）和DataLoader(打包数据）

• 数据：训练集和验证集

• 6.3. 训练数据：

• 优化器：参数包含更新哪些参数和学习率，（梯度方向，更新操作，梯度置零）

• 模型的两个模式：训练和验证（不更新）

• 进入循环，训练（做计算，更新w,b），验证

• 一个epoch就把整个数据集训练了一遍=>

• 

• zip的用法

• max的用法

DateLoader自定义数据集制作

自定义数据集

dateloader: pytorch提供的打包数据的方法

样本名称 标识符

示例：标注文件（不限格式 ）+混在 一起的样本

random shuffle

• 导包
• 得到字典
• 把图片路径和标签都转进list，并把路径补充完整

1. 定义数据类

• 构造：数据->列表
• 获取：获取一个样本数据

2. 类数理化
3. 训练和验证数据集进行传输（dataloader）
4. 检查并进行训练