冰雪的博客

Learn the Basics — PyTorch Tutorials 2.2.0+cu121 documentationLink: Learn the Basics — PyTorch Tutorials 2.2.0+cu121 documentationLearn the Basics — PyTorch Tutorials 2.2.0+cu121 documentationLink: Learn the Basics — PyTorch Tutorials 2.2.0+cu121 documen

在本节中，我们将了解如何通过保存、加载和运行模型预测来持久保存模型状态。

现在我们有了模型和数据，是时候通过优化数据上的参数来训练、验证和测试我们的模型了。在每次迭代中，模型都会对输出进行猜测，计算其猜测中的误差（衡量的是得到的结果与目标值的不相似程度，它是我们在训练时想要最小化的损失函数。为了计算损失，我们使用给定数据样本的输入进行预测，并将其与真实数据标签值进行比较。一旦我们设置了超参数，我们就可以使用优化循环来训练和优化我们的模型。向前跳转查看优化循环的。当提供一些训练数据时，我们未经训练的网络可能不会给出正确的答案。优化是调整模型参数以减少每个训练步骤中模型误差的过程。

对象组成的有向无环图 (DAG) 中，autograd 保存数据（张量）和所有执行的操作（以及生成的新张量）的记录。在这个 DAG 中，叶子是输入张量，根是输出张量。例如，当我们训练完模型，并且只想将其应用于某些输入数据时，即我们只想通过网络进行*前向计算。在许多情况下，我们有一个标量损失函数，并且需要计算某些参数的梯度。，这是在标量值函数（例如，神经网络训练期间的损失）的情况下，计算梯度的有用方法。为了优化神经网络中参数的权重，我们需要计算损失函数关于参数的导数。时，梯度的值是不同的。

神经网络由对数据执行操作的层/模块组成。命名空间提供了构建您自己的神经网络所需的所有构建块。在PyTorch 中，每个模块都是子类。神经网络本身就是一个模块，由其他模块（层）组成。这种嵌套结构允许轻松构建和管理复杂的架构。在以下部分中，我们将构建一个神经网络，来对 FashionMNIST 数据集中的图像进行分类。

数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用来对数据执行一些操作并使其适合训练。所有 TorchVision datasets都有两个参数：transform用来修改features和用来修改labels。这两个参数接受包含转换逻辑的可调用对象。模块提供了几种开箱即用的常用转换。FashionMNIST features采用PIL图像格式，labels为整数。对于训练，我们需要将特征作为归一化张量，将标签作为单热编码张量。为了进行这些转换，我们使用ToTensor和Lambda。

_init____len__和__getitem__。看看这个实现：FashionMNIST 图像存储在目录img_dir中，它们的标签单独存储在CSV 文件中。在接下来的部分中，我们将详细介绍每个函数中实现的功能。import os。

张量 — PyTorch 教程 2.2.0+cu121 文档。