pytorch深度学习入门1之-快速上手数字识别

pytorch简介：

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。它由Facebook于2016年1月推出，专门针对GPU加速的深度神经网络（DNN）编程。

PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。其计算图是动态的，可以根据计算需要实时改变计算图。

PyTorch被广泛用于Facebook的人工智能研究和部署，以及其他机构的深度学习应用，例如Twitter、CMU和Salesforce等。它被设计为简化深度学习过程，同时支持动态计算图，使得构建和调试神经网络更加简单。

与TensorFlow相比，PyTorch更加轻量级，并且具有更加直观的编程接口。这使得它成为了Python语言使用者进行深度学习的首选库之一。

环境导入

PyTorch 有两个处理数据的原语： torch.utils.data.DataLoader和torch.utils.data.Dataset。 Dataset存储样本及其相应的标签，并DataLoader加载Dataset数据集
首先环境需要包含如下的包

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

PyTorch 提供特定领域的库，例如TorchText、 TorchVision和TorchAudio，所有这些都包含数据集。在本教程中，我们将使用 TorchVision 数据集。

该torchvision.datasets模块包含Dataset许多现实世界视觉数据的对象，如 CIFAR、COCO（完整列表见此处）。在本教程中，我们使用 FashionMNIST 数据集。每个 TorchVision 都Dataset包含两个参数：transform和 target_transform分别修改样本和标签。

下载pytorch自带的mnist数据集

定义dataset下载，download设置为true，即会自动下载mnist数据集

training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
)

下载测试数据集.

test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor(),
)

Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz
Downloading http://fashion-mnist.s3-website.eu-central-1.amazonaws.com/train-images-idx3-ubyte.gz to data/FashionMNIST/raw/train-images-idx3-ubyte.gz

  0%|          | 0/26421880 [00:00<?, ?it/s]
  0%|          | 65536/26421880 [00:00<01:13, 360565.13it/s]
  1%|          | 229376/26421880 [00:00<00:38, 681279.29it/s]
  3%|3         | 917504/26421880 [00:00<00:09, 2553945.75it/s]
  7%|7         | 1900544/26421880 [00:00<00:06, 4024595.03it/s]
 17%|#6        | 4489216/26421880 [00:00<00:02, 9592627.52it/s]
 25%|##4       | 6553600/26421880 [00:00<00:01, 12018241.60it/s]
 31%|###       | 8159232/26421880 [00:00<00:01, 12857307.12it/s]
 37%|###7      | 9797632/26421880 [00:01<00:01, 13592348.56it/s]
 43%|####3     | 11403264/26421880 [00:01<00:01, 14197318.56it/s]
 52%|#####2    | 13762560/26421880 [00:01<00:00, 16326721.26it/s]
 60%|######    | 15958016/26421880 [00:01<00:00, 17066589.14it/s]
 67%|######6   | 17694720/26421880 [00:01<00:00, 16752359.45it/s]
 73%|<