qq_41627642的博客

张量与NumPy 的ndarray类似，不同之处在于张量可以在 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，从而无需复制数据（请参阅Bridge with NumPy）。在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。这里全面描述了 100 多种张量运算，包括算术、线性代数、矩阵操作（转置、索引、切片）、采样等。在下面的函数中，它决定了输出张量的维数。新张量保留参数张量的属性（形状、数据类型），除非显式覆盖。

无

在这个例子中，我们首先导入了PyTorch和models模块，然后定义了要加载的模型的URL。接下来，我们创建了一个新的ResNet模型实例，并使用load_url函数下载并加载模型的预训练权限。最后，我们将加载的权限重分配给模型。如果该对象已存在于model_dir中，则将其反序列化并返回。model_dir默认值是<hub_dir>/checkpoints where hub_dir是get_dir()返回的目录。在给定 URL 加载 Torch 序列化对象。如果下载的文件是zip文件，它将自动解压。

然后，它将输出按顺序“链接”到每个后续模块的输入，最后返回最后一个模块的输出。或者，也可以创建一个OrderedDict来作为模块的方法接受输入Sequential，forward()将其转发给它包含的第一个模块。然后，它将输出按顺序“链接”到每个后续模块的输入，最后返回最后一个模块的输出。赋值张量没有这样的效果。这意味着model.base的参数将使用默认的学习率1e-2， model.classifier的参数将使用1e-3学习率，所有参数将使用动量0.9。模块的输入是索引列表，输出是相应的词嵌入。

PyTorch 数据加载利用的核心是torch.utils.data.DataLoader类。它表示在数据集上 Python 可迭代，支持map-style and iterable-style datasets（地图样式和可迭代样式数据集），customizing data loading order（自定义数据加载顺序），automatic batching（自动批处理），single- and multi-process data loading（单进程和多进程数据加载），