【pytorch】（deeplizard22-26）加载数据 | 训练模型 | 计算梯度 | 优化

p22 将一个图像传递到网络中并输出预测

理解前向传播：将输入张量转换为输出张量的过程

将前面的一系列整合：

在开始之前，要关闭pytorch的梯度计算特性，这将阻止pytorch通过网络将张量构建成一个计算图。这个计算图通过跟踪张量在网络中传播的每一个计算来跟踪网络的映射，然后在训练过程中使用这个图形来计算导数（损失函数的导数），在训练模型的时候才打开。

预测的张量形状是[1,10]，第一个轴长度是1，第二个轴长度是10：即在批处理中有一个图像和10个预测类。第一个图像的标签是9，使用Argmax函数，可以看到我们的预测张量中，最高的值也出现在以指数表示的类中。

如果想要这些预测的值成为概率，则可以使用softmax函数（nn.functional包）如下：

不同的网络中，我们得到的预测是不同的，因为权值不同

p23 将一批图像传递到网络中并输出

一批数据，利用数据加载器来获得批处理

通过访问Fashon-mnist类，在torchvision和数据集的内部来创建我们的训练集

 

然后从数据加载器中取出一批数据，然后在从批处理中解压缩图像和标签张量