示例和笔记

optimization_tutorial 是关于Pytorch中优化器(optimizers)的基础知识。优化器是用来训练神经网络模型的机制，它们帮助调整模型中的参数(weights)来最小化损失(loss)函数。在这篇教程里，你会学到以下内容：优化器的类型：这篇教程介绍了几种常用的优化器，包括随机梯度下降(SGD)、Adam等。如何使用优化器：你会学到如何初始化一个优化器，如何将它与模型链接，以及如何使用优化器来进行模型训练。

autogradqs_tutorial 介绍了自动求导（Autograd）的基础知识。自动求导是机器学习中重要的一环，它能够自动计算并优化损失函数的梯度。本文首先简要地介绍了 PyTorch 中的张量（Tensor）和计算图（Computation Graph）的基本概念，然后重点讲解了张量的属性和如何计算张量的梯度。最后通过一个简单的线性回归模型的例子来演示自动求导的实际应用。该教程还介绍了如何使用torch.nn模块构建神经网络，并使用自动求导进行反向传播。

saveloadrun_tutorial 介绍了在Pytorch中如何保存和加载训练后的模型(checkpoint)，以及如何运行(或者说测试)test一个已经训练好的模型。教程主要包括以下内容：保存模型(checkpoint)：介绍如何在Pytorch中保存训练后得到的模型参数，以及如何将这些参数保存到文件中。加载模型(checkpoint)：你会学到如何从保存的文件中加载模型参数，以便于从上一次训练停止的地方继续进行训练，或者进行模型测试。

我们通过子类化nn.Module来定义我们的神经网络，并在__init__中初始化神经网络的各层。每个nn.Module子类都会在forward方法中实现对输入数据的操作。

transforms_tutorial 主要介绍了PyTorch中的transforms模块，它可以帮助我们在数据预处理时进行多种变换操作。首先，它介绍了基本的图像变换，如裁剪、旋转、翻转等。然后，它介绍了随机变换，如随机裁剪、扭曲、亮度、对比度等。这些随机变换使得我们可以扩展数据集，从而提高模型的泛化能力。接着，教程介绍了如何将transforms与PyTorch的数据加载器Dataset和DataLoader结合起来使用。这使得我们可以在加载数据时对它们进行变换。

一个自定义的Dataset类必须实现三个函数:__init____len__本代码实现中，FashionMNIST图像存储在目录img_dir中。标签存储在 CSV 文件中。在下面的部分中，我们将分解每个函数中发生的事情。

tensorqs_tutorial 主要介绍了PyTorch张量(Tensor)的基础知识和操作，包括：1.创建张量2.张量的属性3.张量的操作4.张量的索引5.张量的重塑6.张量的数学操作7.张量的广播8.张量的内积9.张量和NumPy的互相转换10.张量的CUDA加速11.动态计算图其中，第9部分的内容就是这个代码段所涉及的部分，主要介绍了如何将PyTorch张量和NumPy数组相互转换，以及它们之间的共享机制。

PyTorch quickstart_tutorial 旨在为初学者提供一个快速而简单的概述，以了解PyTorch的基础知识，如张量操作和神经网络建模。通过完成本教程，您将学到如何使用PyTorch构建简单的神经网络和训练数据，以及如何使用数据加载器和优化器来实现更加复杂的训练任务。