chenvvei的博客

Pytorch(8)-保存并加载模型文章目录保存并加载模型保存和加载模型权重使用形状保存和加载模型note:将模型导出到ONNX总结保存并加载模型在本节中，我们将研究如何通过保存，加载和运行模型预测来保持模型状态import torchimport torch.onnx as onnximport torchvision.models as models保存和加载模型权重PyTorch模型将学习到的参数存储在称为的内部状态字典中state_dict。这些可以通过以下torch.save 方

Pytorch(7)-优化模型参数文章目录优化模型参数前置代码超参数优化循环Optimization Loop损失函数优化器全面实施参考优化模型参数现在我们有了模型和数据，是时候通过优化数据上的参数来训练，验证和测试模型了。训练模型是一个反复的过程；在每次迭代（称为epoch）中，模型都会对输出进行猜测，计算其猜测中的误差（损失），收集误差相对于其参数的导数（如上一节所述）并进行优化这些参数使用梯度下降。有关此过程的更详细的演练，请观看有关3Blue1Brown反向传播的视频。前置代码我们从上一节

自动微分 TORCH.AUTOGRAD文章目录自动微分 TORCH.AUTOGRAD张量，函数和计算图计算梯度notes禁用梯度跟踪with torch.no_grad():有关计算图的更多信息note可选阅读：张量梯度和雅可比积总结参考在训练神经网络时，最常用的算法是 反向传播。在该算法中，根据损失函数相对于给定参数的梯度来调整参数（模型权重）。为了计算这些梯度，PyTorch具有一个称为的内置微分引擎torch.autograd。它支持任何计算图的梯度自动计算。考虑最简单的单层神经网络，它具有i

Pytorch(4)-BUILD THE NEURAL NETWORK建立神经网络建立神经网络神经网络由对数据执行操作的层/模块组成。该torch.nn命名空间提供了所有你需要建立自己的神经网络的blocks。PyTorch中的每个模块都将nn.Module子类化。神经网络本身就是一个由其他模块（层）组成的模块。这种嵌套结构允许轻松地构建和管理复杂的体系结构。在以下各节中，我们将构建一个神经网络来对FashionMNIST数据集中的图像进行分类。import osimport torchfrom

Pytorch(4)-TRANSFORMSTRANSFORMS数据并不总是以训练机器学习算法所需的最终处理形式出现。我们使用变换对数据进行一些处理，使其适合训练。所有TorchVision数据集都有两个参数-transform修改功能和 target_transform修改标签接受包含转换逻辑的可调用项。该torchvision.transforms模块提供几种常用的变换 out of the box.(开箱即用)FashionMNIST功能采用PIL图像格式，标签为整数。为了进行训

文章目录数据集和数据加载器加载数据集迭代和可视化数据集为文件创建自定义数据集_ _ init _ __ _ len _ __ _ getitem _ _准备数据以使用DataLoaders进行train遍历DataLoader总结参考数据集和数据加载器用于处理数据样本的代码可能变得凌乱且难以维护。理想情况下，我们希望将数据集代码与模型训练代码分离，以提高可读性和模块化性。PyTorch提供了两个数据原语：torch.utils.data.DataLoadertorch.utils.data.Dat

Pytorch 入门(2)–张量文章目录初始化张量张量的属性张量运算与NumPy桥接张量到NumPy数组NumPy数组到张量总结张量是一种特殊的数据结构，与数组和矩阵非常相似。在PyTorch中，我们使用张量对模型的输入和输出以及模型的参数进行编码。张量类似于NumPy的ndarray，除了张量可以在GPU或其他硬件加速器上运行。实际上，张量和NumPy数组通常可以共享相同的基础内存，从而无需复制数据（请参见使用NumPy桥接）。张量也针对自动差异进行了优化（我们将在“ Autograd” 部分中对此

Pytorch入门-day1-(1)工欲善其事,必先利其器以下分几个方面来展开学习工具资源网站Pytorch官网:在这有最全的文档,和博客教学,主要资源来自于此由主网站 延伸的子网站tutorials一切以官方教程开始,主要看quick startpytorch-cn中文文档这个纯当参考,感觉不咋地pytorch 在github上的ApacheCN 翻译中文版,正校验1.7版本:注:此时Pytorch官方已经更新到了1.8.1稳定版,nightly版本是1.9版本1.7文档地址:注