huanfeng_AI的博客

return xlayer=MyLinear(4,3)#输入维度是4，输出维度是3如代码所示建立一个全连接层，w和b就是全连接层的权重参数，其中w的维度是（输出，输入）pytorch就是这样的。自定义层MyLinear必须继承nn.Module,并且我们需要在初始化方法中调用父类nn.Module的构造函数，也就是super(MyLinear,self).__init__()

深度学习框架pytorch拥有自动求导的机制，自动求导是 PyTorch 中非常重要的特性，能够让我们避免手动去计算非常复杂的导数，这能够极大地减少了我们构建模型的时间。本文学习的是第10步反向传播，学习路线参考前面一篇文章。

以上代码就是完成神经网络训练的基本逻辑，我们可以认为分为12步，我们中实际编程需要我们做好这12步：1.引入我们程序所需要的库2.也就是说需要我们自己定义模型，pytorch中已经封装好了很多网络层，我们只需要根据我们的需求来对这些网络层进行组合就可以3.我们搭建完网络模型之后，我们需要对数据进行处理，让它能够输出到网络模型中（很重要的一块）4.实例化，这里很简单，如果构建模型的时候，有些网络层数没有写死而是以参数的形式确定，那么我们构建网络模型的时候，需要传递对应的参数。

如图表所示，这几个方法可以理解为索引函数，有些函数在切片和索引一章进行了简单的介绍，本文将再次进行介绍，温故知新。

diag的作用是取一个矩阵的对角线元素为向量，或者取向量作为对角阵的对角线元素。

大多数函数都有一个参数dim，用来指定这些操作是在哪个维度上执行的。关于dim(对应于Numpy中的axis)这里提供一个简单的记忆方式：假设输入的形状是(m, n, k)· 如果指定dim=0，输出的形状就是(1, n, k)或者(n, k)· 如果指定dim=1，输出的形状就是(m, 1, k)或者(m, k)· 如果指定dim=2，输出的形状就是(m, n, 1)或者(m, n)size中是否有"1"，取决于参数keepdim，keepdim=True会保留维度1。

给定一个向量，我们如何才能获取到这个向量中重要的那部分呢？比如均值，最大值等等，我们可以使用pytorch中已经封装好的方法来完成这些任务。

在数学中经常有加减乘除运算，在tensor中也不例外，也有类似的运算，本节课程我们将学习tensor中的运算。

拼接和分割看起来很简单，但是在实际模型搭建以及处理的过程中，这个尤为重要，之所以重要原因之一是因为我们经常需要将数据拼接和切分，维度信息如果处理不好，一般就会产生大问题，所以这个章节必须要掌握。

在pytorch中经常有张量和张量之间的运算，那么有一点需要注意，那就是维度要匹配，如果维度不匹配就有可能出现问题。如果维度不一致，此时也可以同时进行操作，此时就需要使用pytorch中的广播机制，本节课程就讲解pytorch中的广播机制。

有时候当我们拥有一个Tensor张量的时候，我们可能需要获取它某一维度的信息，那么此时我们就需要索引和切片的技术，它们可以帮助我们解决这些问题。

在深度学习中比较让人头疼的一点就是矩阵的维度，我们必须构建出符合神经网络维度的矩阵，只有将符合要求的矩阵放到神经网络中才可以运行神经网络，本节课程我们将学习以下tensor中维度的变化。

tensor张量是一个多维数组，本节课程我们将学习一些pytorch中已经封装好的方法，使用这些方法我们可以快速创建出具有特殊意义的tensor张量。

前面我们学习了pytorch的默认数据类型是torch.FloatTensor,那么本节课程我们将学习如何将不同的数据类型之间进行数据转换？还会学习tensor中cpu和gpu的转换，以及tensor和numpy以及python之间的类型转换，在实际编程中，可能这些需要时刻使用的。

和numpy一样，pytorch中也有自己的类型，本节课程我们将对它的类型进行介绍，并且学习不同的类型之间的转换，这是pytorch的基础。

上节课程我们学习了如何创建Tensor标量，我们使用。本节课程我们学习如何创建Tensor向量，我们即可以使用又可以使用。

tensor张量是一个多维数组，零维就是一个点（就是本章的标量），一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和 numpy理解是一样的，不同的是Tensor不仅可以在CPU上跑，在GPU上也可以跑。标量（scalar），只具有数值大小，而没有方向，我们可以把标量看成是一个实数。本节课程我们学习如何使用pytorch来创建标量，在pytorch中只要dim=0的tensor，我们就可以认为它是标量。

现在来看大家还是推荐使用detach(）方法，然后当tensor的requires_grad=False情况下，tensor.data或者tensor.detach（）与tensor等价，而当tensor的requires_grad=True情况下，tensor.data为获取tensor中的数据。

Tensor张量有一些常用的属性，我们可以通过这些基本的属性判断张量的类型，维度，以及元素个数，本节课程我们将对tensor属性进行简单的介绍。

从本节课程开始我们将正式开启pytorch的学习了，在深度学习框架中有一个重要的概念叫做张量，它是pytorch的基本操作单位，要想创建tensor有很多的方式，但是有两个torch.tensor和torch.Tensor容易混淆，本节课程对二者进行总结。

通过本文的介绍，你应该已经掌握了如何使用一句命令来安装PyTorch。PyTorch作为一个强大而灵活的深度学习框架，为你提供了丰富的功能和灵活的接口，让你能够轻松地进行深度学习模型的搭建和训练。

Anaconda是一个方便的python包管理和环境管理软件，一般用来配置不同的项目环境。它通过管理工具包、开发环境、Python版本，大大简化了工作流程。不仅可以方便地安装、更新、卸载工具包，而且安装时能自动安装相应的依赖包，同时还能使用不同的虚拟环境隔离不同要求的项目。如果我们有不同的项目A和项目B分别基于python2和python3，而第电脑只能安装一个环境，这个时候Anaconda就派上了用场，它可以创建多个互不干扰的环境，分别运行不同版本的软件包，以达到兼容的目的。

这篇专栏文章不是为了挑起tenserflow和pytorch中哪个更好，众所周知tensorflow诞生以来，已经成为最流行的深度学习框架，可以说github中大多数的深度学习代码实现是以tensorflow实现的，也就是说资源众多，社区强大，这是tensorflow的好处。

专栏计划更新章节在100章左右，之后还会不断更新，都会配备代码实现。以下是。