kevin198528的专栏

来啦，通过前面章节的内容，你已经学会如何定义一个神经网络，计算网络的损失值以及更新网络的权重。可突然之间你意识到，我该拿什么数据来训练呀通常，我们碰到的无非就是图像数据、文本数据、音频数据和视频数据，我们可以使用标准的python工具包以numpy array的形式加载它们到内存当中。然后，你就可以方便的将它们转换成torch.*Tensor数据格式了。对于图像数据，Pillow、OpenCV这两款工具包比较好用对于音频数据，我们可以使用scipy和librosa工具包对于文本数据，原生的Py

在进一步学习之前，我们先来回顾一下目前为止学习到的pytorch类：回顾：torch.Tensor - 一种多维的数据结构，支持autograd引擎的相关操作，例如backward()。同时也能够存储张量相关的梯度信息。nn.Module - 定义和管理神经网络模型。可以方便的存储参数，将模型导入到GPU进行运算，导出模型或者载入模型。nn.Parameter - 一种张量结构，当指定为Module属性时，会自动注册为参数。autograd.Function - autograd引擎进行前向传播

原文：https://pytorch.org/tutorials/beginner/blitz/autograd_tutorial.html#further-readingstorch.autograd是PyTorch的自动求导引擎，可以用来加速神经网络的训练。在本节，你将初步理解autograd是如何加速神经网咯训练的。相关背景神经网络（简称NN）是由一些内嵌函数组合而成，可以用来处理特定的输入数据。这些函数一般由一组参数来定义（参数一般包括权重和偏置），在Pytorch中，用tensors结构.

张量原文: https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html#sphx-glr-beginner-blitz-tensor-tutorial-py张量如同数组和矩阵一样, 是一种特殊的数据结构。在PyTorch中, 神经网络的输入、输出以及网络的参数等数据, 都是使用张量来进行描述。张量的使用和Numpy中的ndarrays很类似, 区别在于张量可以在GPU或其它专用硬件上运行, 这样可以得到更快的加速效果。如果你对