青椒的学习笔记

介绍pytorch基础的各种知识

在本专题中，我们介绍了使用神经网络构建机器学习模型的关键概念，并使用PyTorch实现了这些概念。我们构建了一个图像识别模型，可以对图像进行分类，例如：T恤/上衣、裤子、套衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包包和短靴。如何在CPU和GPU上使用张量如何管理、缩放和规范化数据集如何使用神经网络构建模型如何优化模型如何优化模型推理。

初次编辑：2024/3/4；最后编辑：2024/3/4本教程第一篇：介绍pytorch基础和张量操作本教程第二篇：介绍了数据集与归一化本教程第三篇：介绍构建模型层的基本操作。本教程第四篇：介绍自动微分相关知识。本教程第五篇：介绍优化循环(optimization loop)相关知识。

初次编辑：2024/3/2；最后编辑：2024/3/3本教程第一篇：介绍pytorch基础和张量操作本教程第二篇：介绍了数据集与归一化本教程第三篇：介绍构建模型层的基本操作。本教程第四篇：介绍自动微分相关知识，即本博客内容。

神经网络是由神经元(neurons)通过层连接而成的集合。每个神经元是一个小型计算单元，执行简单的计算以共同解决问题。神经元分布在三种类型的层中：输入层、隐藏层和输出层。隐藏层和输出层包含多个神经元。神经网络模仿人类大脑处理信息的方式。一个层包含多个神经元，一个神经网络包含多层，我们通过子类化nn.Module来定义我们的神经网络，并在__init__中初始化神经网络层。每个nn.Module子类在forward方法中实现对输入数据的操作。输入层具有 28x28 或 784 个特征/像素。

Dataset逐个样本检索数据集的特征和标签。在训练模型时，通常希望以“minibatch”的形式传递样本，在每个周期重混洗(reshuffle)数据以减少模型过拟合，并使用Python的多进程加速数据检索。在机器学习中，需要指定数据集中的特征和标签。**特征(Feature)**是输入，**标签(label)**是输出。我们训练特征，然后训练模型以预测标签。特征是图像像素中的模式。标签是10个类别类型：T恤，凉鞋，连衣裙等。DataLoader是一个可迭代对象，用简单的API抽象了这种复杂性。

大多数机器学习工作流程都涉及处理数据、创建模型、使用超参数优化模型、保存和推断已训练的模型。本模块介绍在 PyTorch 中实现的完整机器学习（ML）工作流程，PyTorch 是一种流行的 Python ML 框架。本教程使用 FashionMNIST 数据集来训练一个神经网络模型，该模型可以识别图像，如 T 恤/上衣、裤子、套衫、连衣裙、外套、凉鞋、衬衫、运动鞋、包包或短靴。在构建模型之前，会展示构建神经网络模型的关键概念。学习如何在 CPU 和 GPU 上使用张量（Tensors）