Torch学习记录

pytorch有一些基础函数需要了解，在本文章记录一下。

1. torch.utils.data.DataLoader
   DataLoader是导入图片的操作，里面有一些参数，比如batch_size和shuffle等，默认load进去的图片类型是PIL.Image.open的类型

2. torchvision.transforms
   torchvision.transforms里面的操作是对导入的图片做处理，比如可以随机取(50, 50)这样的窗框大小，或者随机翻转，或者去中间的(50, 50)的窗框大小部分等等，但是里面必须要用的是transforms.ToTensor()，这

3. torchvision.datasets
   torchvision.datasets里面有很多数据类型，里面有官网处理好的数据，比如我们要使用的MNIST数据集，可以通过torchvision.datasets.MNIST()来得到

4. torh.cuda.is_available()
   判断你的数据是否能在GPU上处理，如果能会返回Ture,此时，用model = model.cuda()或者model.cuda()就可以载入。
   注意,.cuda()是一个函数，用在任何位置都表示载入GPU里计算

5. .CrossEntropyLoss()
   一种十分常用的loss计算方法，交叉熵

6. transforms.ToTensor()
   可以将PIL的图片类型转换成tensor，这样pytorch才可以对其做处理

7. .optimizer.zero_grad()
   将梯度初始化为零
   根据pytorch中的backward()函数的计算，当网络参量进行反馈时，梯度是被积累的而不是被替换掉；但是在每一个batch时毫无疑问并不需要将两个batch的梯度混合起来累积，因此这里就需要每个batch设置一遍zero_grad 了