pytorch入门

1.数据结构

        使用pytorch需要将数据转换成模型需要的数据格式，数据格式包括单个数据对应的scalar格式，表示特征的vector格式，对应矩阵的matrix格式,对应多维数据的n-ddimensional tensor格式。数据转化有以下的方式。

'''使用tnesor进行数据转换'''
import torch
torch.tensor(input_features[start:end]


'''使用TensorDataset,DataLoader 进行数据格式修改'''
from torch.utils.data import TensorDataset
from torch.utils.data import DataLoader

bs = 64                                                               #数据分组大小
train_ds = TensorDataset(x_train , y_train)                           #将数据封装成tensor的格式
train_dl = DataLoader(train_ds,batch_size=bs ,shuffle=True)           #将数据安装batch_size的方式分割

for xb,yb in train_dl:                                                #这里可以直接调用
    loss_batch(model,loss_func,xb,yb,opt)

2.主要的包

1. torch.nn.Module  

        在建立模型的基本结构时使用，主要在建立模型有参数的结构时使用，比如建立模型的全链接层和池化层的时候使用，同时在定义模型的基本结构时作为继承的父类使用。

2. torch.nn.functional 

        在建立模型的基本结构时使用，主要在建立模型没有参数的结构时使用，比如建立模型的激活函数，损失函数时候使用

class Mnist_NN(nn.Module):                       # 建立模型的基本结构时需要
    def __init__(self):
        super().__init__()
        self.hidden1 = nn.Linear(784,128)        # 建立全链接层时需要
        self.hidden2 = nn.Linear(128,256)
        self.out = nn.Linear(256,10)

    def forward(self,x):
        x = F.relu(self.hidden1(x))              #建立激活函数时需要
        x = F.relu(self.hidden2(x))
        x = self.out(x)
        return x

3 以较为复杂方式实现回归

import pandas as pd
import numpy as np
import torch
from sklearn import preprocessin