猿来这样-谢厂节的博客

PyTorch的安装与配置 ， windows和centos环境

PyTorch学习笔记 2. 运行官网训练、推理的入门示例一、加载数据二、创建模型torch.nn.Sequential介绍：torch.nn.Linear3. torch.nn.ReLU三、调整模型参数四、保存模型五、加载模型一、加载数据首先引用必要的库：import torchfrom torch import nnfrom torch.utils.data import DataLoaderfrom torchvision import datasetsfrom torchvision.

PyTorch学习笔记 3.数据集和数据加载器一、说明二、使用PyTorch预置数据集1. 预置数据集FashionMNIST介绍2. 加载数据集3. 对数据集处理和可视化三、自定义数据集1. 要实现的方法2. 定义3. `__init__`4. `__len`5. `__getitem__`6. 准备数据、训练7. 通过数据加载器传入数据一、说明PyTorch提供了一些公共数据集，如FashionMNIST，可以在torch.utils.data.Dataset库里找到这些库。准备环境 ：pyt

PyTorch学习笔记 3. 神经网络1. 定义网络2. 网络的属性3. 输入tensor给网络4. 反向传播5. 损失函数本文学习资源来自《深度学习框架 PyTorch入门与实践》 电子工业出版社 陈云编著。1. 定义网络Autograd实现了反向传播功能。基于Autogra ， Pytorch专门为神经网络设计了模块化接口torch.nn，用来定义和运行神经网络。nn.Module是其中最重要的一个类，可以看作是网络的封装，包含网络各层的定义和forward方法。调用 forward 方法，可以

PyTorch学习笔记 5.torchvision加载数据集一、简介二、安装三、加载models1. 加载 resnet34四、加载数据集示例1： 加载MNIST示例2：加载Fashion-MNIST一、简介tochvision主要处理图像数据，包含一些常用的数据集、模型、转换函数等。torchvision独立于PyTorch，需要专门安装。torchvision主要包含以下三部分：models: 提供深度学习中各种经典的网络结构、预训练好的模型，如：Alex-Net、VGG、ResNet、Inc

原创 PyTorch学习笔记 6.可视化工具visdom一、visdom 简介二、一些概念及简单使用1. env 环境2. pane 窗格3. 安装4. 一些启动操作5. 运行demo三、一些输出项1. 文本2. 绘制折线图2. 通用图3. 显示torch的一组数据4. 显示张量5. 基础可视化接口6. Plotly提供的可视化API接口7. 环境操作API一、visdom 简介visdom 是Facebook 为PyTorch 打造的一款可视化工具，在2017年开源，代码地址：https://git

模型定义3个卷积层，卷积大小分别是2，3，4。卷积激活函数使用relu。

为了实现线性回归，我们定义只有一个层的神经网络LinearRegression，在类中定义了一个全连接层linear，这个层的输入和输出都是1维的。在前向传播方法中，输入x被传入全连接层中进行计算，得到模型的输出out，然后将其返回。模型的输出out就是输入x的线性变换结果，具体的计算公式为yWxby = Wx + byWxb，其中WWW是全连接层的权重，bbb是偏置，由于输入和输出都是1维的，因此WWW也是一个1维的向量，bbb是一个标量。