街景字符编码识别项目学习笔记（二）pytorch in deep learning

内容简介

本文为针对Datacamp上的Introduction to deep learning by pytorch课程的学习总结。Datacamp（官网链接）内含许多python的专题知识讲解，以几分钟的视频教学加在线编程实操为主。笔者在下两个博客中将总结pytorch中的基本张量创建以及其在深度学习当中的一些应用，最终将实现Alexnet并完成从读取数据到训练评估的全过程。本博客先总结tensor的基本运算，而后实现基本的全连接神经网络，下个博客将介绍卷积神经网络相关操作，并实现AlexNet。

tensor创建与基本运算

创建一个tensor

tensor_1 = torch.tensor([2.,-4.])

创建一个m行n列的tensor 每一个元素为0-1随机 此随机分布为均匀分布

tensor_1=torch.rand(m,n) 

创建一个m行n列的tensor 每一个元素为均值为0 方差为1的高斯分布

tensor_1=torch.randn(m,n) 

对二维tansor的索引 高维也如此

print(tensor_1[1][2]) 

修改tensor中的数值 tensor中每一个元素的类别为 torch.tensor

tensor_1[1][2]=3
print(tensor_1[1][2]) 

创建一个m行n列全为1的二维tensor

tensor_1 = torch.ones(m,n)

创建一个m行n列全为0的二维tensor

tensor_1 = torch.zeros(m,n)

创建一个n1行n2列的单位tensor（n1=n2） 当n2>n1时 多出来的列会全为0

tensor_1 = torch.eye(n,n)

实现二维张量的点乘

tensor_3 = torch.matmul(tensor_1,tensor_2)

创建基本的神经网络 （PyTorch 风格）

当一个张量反向传播时需要求解梯度需要对张量进行如下说明

x = torch.tensor(4., requires_grad=True) 

当我们希望数字4置换为上文提到的矩阵时，操作如下

tensor_1 = torch.rand(3,4)
tensor_1.requires_grad_(True)

一个简要的pytorch风格神经网络如下所示

import torch
import torch.nn as nn #torch.nn.Module 为所有模型的基类 此为继承关系

class Net(nn.Module): #继承基类
    def __init__(self):
        super