PyTorch深度学习

目录

一、深度学习概念

1.神经网络的组成：

2.深度学习的定义

3.深度学习应用：

（1）图像处理领域主要应用

（2）语音识别领域主要应用

（3）综合应用：

二、PyTorch安装步骤：

1.安装Anaconda：

2.创建虚拟环境：

3.安装PyTorch：

4.配置镜像源（可选）：

三、神经元模型：

四、多层感知器：

（1）导入必要的python模块

（2）定义MLP模型 

 五、总结：

关键点总结：

(1)动态计算图：

(2)张量：

(3)模型构建：

(4)自动求导：

(5)优化器：

(6)数据加载和处理：

(7)模型训练和评估：

(8)迁移学习：

(9)分布式训练：

(10)部署和生产环境：

---

一、深度学习概念

1.神经网络的组成：

人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具有自学习和自适应的能力。神经网络类型众多，其中最为重要的是多层感知机。

2.深度学习的定义

深度学习定义：一般是指通过训练多层网络结构对未知数据进行分类或回归

深度学习分类：有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；

无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。

深度学习的思想：深度神经网络的基本思想是通过构建多层网络，对目标进行多层表示，以期通过多层的高层次特征来表示数据的抽象语义信息，获得更好的特征鲁棒性。

3.深度学习应用：

（1）图像处理领域主要应用

图像分类(物体识别)： 整幅图像的分类或识别
物体检测： 检测图像中物体的位置进而识别物体
图像分割： 对图像中的特定物体按边缘进行分割
图像回归： 预测图像中物体组成部分的坐标

（2）语音识别领域主要应用

语言模型：根据之前词预测下一个单词。
情感分析：分析文本体现的情感(正负向、正负中或多态度类型)。
神经机器翻译：基于统计语言模型的多语种互译。
神经自动摘要：根据文本自动生成摘要。
机器阅读理解：通过阅读文本回答问题、完成选择题或完型填空。
自然语言推理：根据一句话(前提)推理出另一句话(结论)。

（3）综合应用：

图像描述：根据图像给出图像的描述句子
可视问答：根据图像或视频回答问题
图像生成：根据文本描述生成图像
视频生成：根据故事自动生成视频

二、PyTorch安装步骤：

安装命令：

pip3 install torch torchvision torchaudio

conda install pytorch torchvision cpuonly -c pytorch

1.安装Anaconda：

从Anaconda官网下载并安装Anaconda。安装过程中注意选择“为所有用户安装”和“添加到环境变量”选项，并选择合适的安装位置。安装完成后，可以通过打开Anaconda Navigator或命令行窗口，并输入conda version来验证安装是否成功。

2.创建虚拟环境：

打开Anaconda Prompt（或者命令行窗口），输入以下命令创建一个新的虚拟环境（以环境名为pytorch，Python版本为3.8为例）：

conda create -n pytorch python=3.8

可以根据需要选择不同的Python版本。创建完成后，使用conda env list命令查看已创建的虚拟环境列表，确认pytorch环境已成功创建。

3.安装PyTorch：

激活刚刚创建的pytorch虚拟环境：conda activate pytorch，接着，进入PyTorch官网，根据自己的需求（如是否需要CUDA支持）选择合适的安装命令。将提供的安装命令复制到激活的pytorch虚拟环境的命令行中运行，开始安装PyTorch。安装完成后，可以通过输入python进入Python环境，然后尝试import torch来验证PyTorch是否安装成功。