PyTorch quickstart_tutorial 分析

PyTorch quickstart_tutorial 旨在为初学者提供一个快速而简单的概述，以了解PyTorch的基础知识，如张量操作和神经网络建模。

主要包括以下主要部分：

1. 张量(Tensors)：介绍了张量的基本概念、操作和创建方法。
2. 自动梯度和优化(autograd and optimization)：解释了自动梯度的概念以及如何使用优化器训练神经网络。
3. 神经网络模型(neural network models)：展示了如何使用PyTorch建立和训练一个简单的全连接神经网络。
4. 数据处理和加载(data handling and loading)：介绍了如何准备数据以进行训练，并将其加载到PyTorch数据加载器中。

以下是代码及注释

# 导入必要的包
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor

处理数据

PyTorch 提供了两个类用于处理数据的基本元素：
torch.utils.data.DataLoader 和 torch.utils.data.Dataset。
Dataset 存储样本及其相应的标签，而 DataLoader 将可迭代对象包装在 Dataset 周围。

# 从开放数据集下载训练数据，其中FashionMNIST是一个数据集，包含了10种不同的服装类别，
# 每张图像都是28 x 28像素大小的灰度图像。
training_data = datasets.FashionMNIST(
    root="data",          # 数据集下载和存储的目录
    train=True,           # 下载训练数据集
    download=True,        # 如果数据集不存在，则下载
    transform=ToTensor(),  # 将数据转换为张量
)

# 从开放数据集下载测试数据。
test_data = datasets.FashionMNIST(
    root="data",          # 数据集下载和存储的目录
    train=False,          # 下载测试数据集
    download=True,        # 如果数据集不存在，则下载
    transform=ToTensor(),  # 将数据转换为张量
)

将 Dataset 作为参数传递给 DataLoader。这将在我们的数据集周围包装一个可迭代的对象，并支持自动批处理、抽样、随机混洗和多进程数据加载。在这里，定义了一个批量大小为 64，即迭代器中的每个元素将返回 64 个特征和标签。

batch_size = 64  # 定义每个批次的图像数量

# 创建数据加载器。
train_dataloader = DataLoader(training_data, batch_size=batch_size)  # 创建训练数据的数据加载器
test_dataloader = DataLoader(test_data, batch_size=batch_size)  # 创建测试数据的数据加载器

# 从测试数据加载器中取出第一个批次的数据，并输出数据形状
for X, y in test_dataloader:
    print(f"Shape of X [N, C, H, W]: {
     X.shape}")  # 图像张量的形状，N表示批次大小，C表示通道数，H表示图像高度，W表示图像宽度
    print(f"Shape of y: {
     y.shape} {
     y.dtype}"