qilu_88的博客

我要下载一个软件，conda会告诉我这个软件底层依赖好几个其他的软件，需要将它们一起下载安装，这个时候这一大堆软件中可能有几个体量很大，上百MB，很容易下着下着网络连接就中断了，而conda有没有断点下载功能，一旦下载中断，conda就会终止安装进程退出运行。在用conda安装软件的过程中还会经常遇到的一个问题，就是：软件太大老是下载中断。最后，直接运行下面的命令就可以快速安装好啦，真的很快!

数据并不总是以最终处理过的形式出现，而机器学习算法需要的是经过处理的数据。我们使用转换（transforms）对数据进行一些操作，使其适用于训练。所有的TorchVision数据集都有两个参数-transform和target_transform，用于接受包含转换逻辑的可调用，transform用于修改特征，target_transform用于修改标签。模块提供了几个常用的转换。FashionMNIST的特征以PIL图像格式呈现，标签是整数。为了训练，我们需要将特征转换为归一化的。

一个自定义数据集类必须实现三个函数:__init__、__len__和__getitem__。请看下面的实现;FashionMNIST图片存储在一个名为img_dir的目录中，它们的标签分别存储在CSV文件annotations_file中。在接下来的几个部分中，我们将分别介绍每个函数。import os#os和pandas是用于操作文件系统和进行数据处理的标准Python库，而read_image是PyTorch中用于读取图像数据的函数。

字典由一系列键（key）和对应的值（value）组成，每个键值对之间使用冒号（:）分隔，键和值之间使用逗号（,）分隔。字典中的键是唯一的，而值可以重复。在上面的例子中，我们创建了一个字典my_dict，其中包含了键值对'A': 10, 'B': 20, 'C': 30。然后，我们通过使用键'A'来访问字典的值，并将其赋给了变量my_variable。可以通过键来访问、修改和删除字典中的值，而不需要知道它们在字典中的位置。现在，my_variable的值为10，它等于字典my_dict中键'A'对应的值。

是一种专门的数据结构，非常类似于数组和。在PyTorch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。张量类似于NumPy的ndarrays，唯一的区别是张量可以在GPU或其他硬件加速器上运行。事实上，张量和NumPy数组通常可以共享相同的底层内存，不需要复制数据（参见与NumPy之间的桥接）。张量还对自动微分进行了优化（我们稍后会在Autograd部分看到更多）。如果您熟悉ndarrays，那么API就非常容易理解。如果不熟悉，跟着我们一起学习吧！

在计算机科学中，标量数据通常指一个单一的值，如整数、浮点数或布尔值。在机器学习和深度学习中，标量经常用于表示损失、精度、阈值或其他模型评估指标的单个值。例如，在二元分类问题中，模型的准确率就是以标量形式表示的单个浮点数。（Scalar）是一个单独的数值或变量，通常表示为一个实数。在数学中，标量通常用于描述没有方向的物理量，如温度、体积和质量等。标量的特点是只有大小，没有方向。中的单个元素提取为Python标量。item()方法用于将。

在这里，我们定义了批处理大小为64，也就是说，迭代器中的每个元素将返回一个包含64个特征和标签的批次。在下载完数据后，training_data和test_data变量中存储的是FashionMNIST类型的数据集对象，其中包含图像数据（转换为PyTorch张量）和对应的标签。我们在_ _init_ _函数中定义网络的层，并在forward函数中指定数据如何通过网络传递。在单个训练循环中，模型对训练数据集进行预测（按批次输入），然后通过反向传播将预测误差反馈给模型的参数以进行调整。

进行封装的可迭代对象。它可以对数据进行批次处理和多线程加载，提高数据处理效率。因此，在PyTorch中，我们通常使用DataLoader来处理训练和测试数据，而Dataset则用于封装数据集。对于可迭代对象，我们可以使用for循环遍历每个元素或者使用iter()方法返回一个迭代器对象。迭代器是一种特殊的对象，它实现了。是指可以被for循环迭代遍历的对象，例如列表、元组、字符串、字典等。在Python中，任何实现了。()方法，可以逐个返回可迭代对象中的元素。()方法的对象都是可迭代对象。在PyTorch中，

注意事项：从torch.from_numpy创建的tensor于原ndarray共享内存，当修改其中一个的数据，另外一个也将会被改动。dtype：张量的数据类型，如 torch.FloatTensor，torch.cuda.FloatTensor。size：张量的形状，如（3，3）、（3，224，224）size：张量的形状，如（3，3）、（3，224，224）device：张量所在设备，GPU/CPU，是加速的关键。shape：张量的形状，如（64，3，224，224）