【pytorch】A 60 MINUTE BLITZ

本教程的目的：

• 全面了解pytorch的tensor库和神经网络
• 训练一个小型神经网络对图像进行分类

什么是pytorch？

tensor和numpy的ndarrays类似，但tensor还可以用在GPU上加速计算。
1：

from __future__ import print_function
import torch

第一行代码表示即使在2.x的python中，也需要像python3.x那样使用print。

neural network：

1：
feed-forward network前馈网络

神经网络的典型训练过程如下：

• 定义具有一些可学习参数（或权重）的神经网络
• 遍历输入数据集
• 通过网络处理输入
• 计算损失（输出正确的距离有多远）
• 将梯度传播回网络参数
• 通常使用简单的更新规则来更新网络的权重： weight = weight - learning_rate * gradient

2：
常用的导入块：

import torch
import torch.nn as nn
import torch.nn.functional as F

training a classifier训练分类器

1：
对于图像处理，可以使用Pillow、OpenCV；
对于语音处理，可以使用scipy、librosa；
对于文本处理，可以使用Python或Cython基础数据加载模块，或者用NLTK和SpaCy

尤其对于视觉，创建了一个叫做torchvision的包，该包含有支持加载类似的Imagenet，CIFAR10，MNIST等公共数据集的数据加载模块torchvision.datasets和支持加载图像数据数据转换模块torch.utils.data .DataLoader。
这提供了极大的便利，并且避免了编写“样板代码”。

2：
训练图像分类器的步骤：

1. 使用torchvision加载并归一化CIFAR10的训练和测试数据；
2. 定义一个卷积神经网络；
3. 定义一个损失函数；
4. 在训练样本数据上训练网络；
5. 在测试样本数据上测试网络。