TANTANWANG的博客

严格意义上说，这篇文章已经不完全属于PyTorch的内容了，属于模型部署的范畴，但工作中导出模型一般都是算法工程师的工作内容，所以这里需要讲一下。ONNX（Open Neural Network Exchange）文件是一种开放的、与框架无关的文件格式，用于表示深度学习模型。ONNX 文件使用.onnx扩展名，并且基于 Protocol Buffers（protobuf）格式进行序列化。ONNX 的主要目标是解决深度学习模型在不同框架之间的兼容性问题。

通过前面几章的内容，我们已经学习了PyTorch的基本使用，对于底层原理也有了一定程度的认识，但我们还没有完整地训练过一个网络。本文将训练一个猫狗分类器，试图把前面所学的知识串起来，完整地实现一个深度学习项目。本章不再深人讲解过多的知识性内容，而是传授一些经验。对于这部分内容可能有些争议，因为它们受笔者个人喜好和代码风格的影响较大，所以读者可以将其当成一种参考或提议，而不是作为必须遵循的准则。归根到底，笔者希望读者能以一种更为合理的方式组织自己的程序。

在PyTorch中，数据加载可通过自定义的数据集对象实现。数据集对象被抽象为Dataset类，实现自定义的数据集类需要继承Dataset__init__()：构造函数，因为不需要使用父类的属性，需要什么都在本类中定义，因此无需调用Dataset的构造函数；：返回一条数据，或一个样本。obj[index]等价于；__len__()：返回样本的数量。len(obj)等价于。

我们也可以自己写损失函数，就和自己写模型一样，继承nn.Module类就行，然后forward的输入有两个，一个是预测值，另一个是标签。自定义损失函数和普通模型最大的不同有两个：一是损失函数里不能有可学习参数，如果有非标量的常数，则要将其用包裹，且设置为False；二是forward的返回值必须是标量，否则无法进行反向传播（张量并不是完全没办法反向传播，只是比较复杂）。return out# 生成标签与预测值# 计算损失函数L = loss(pred, label) # 这句将会报错。

一般来说，不同的张量可能头信息不同，但可能使用了相同的数据，一些操作可能创建了一个新的信息头，但它们仍共享同一个数据区，这些张量可以认为是同一个数据区的不同“视图”。w、b、x好理解，因为它们都是用户直接创建，而y之所以也是叶子节点，是因为它是由矩阵乘法运算生成的（操作生成），但由于w和x的requires_grad都被置为了False，这使得y在创建的那一刻，其requires_grad就是False，故y也是叶子节点。查看张量的数据地址，这是来自于C++底层的方法，该方法可以返回真实的内存地址。

本篇文章是我阅读《深度学习框架PyTorch入门与实践（第2版）》的第二章学习笔记，以及一些思考。

本文介绍了Pytorch环境安装、VS Code连接远程服务器、DeepLn的web连接、DeepLn的实例释放与数据保存、VS Code 调试Python