Pytorch基础知识

---

前言
在上一篇文章中，我们介绍了PyTorch的优点，案例，PyTorch和Tensorflow的对比。

今天我们主要介绍机器学习问题的构成元素，pytorch中的基本概念：张量，变量，nn.Module,Tensor与机器学习的关系。

---

• 1.1 机器学习问题的构成元素

  • 对于y=f（x），f（x）=wx+b
  • 样本： 抽取客观的规律，对应学习，对于函数来说，y就是标签，x就是属性
  • 模型： 对于函数来说，模型就相当于f，通过挖掘属性之间的一些内在联系，得到样本的标签
  • 训练： 学习这个过程，就是训练，求解w和b的过程，会有非常多的样本，参数没有那么多，但是在深度学习中参数比样本多，
  • 测试： 模型性能的评估的过程
  • 推理： 计算标签的过程

• 1.2 pytorch中的基本概念

  • 1.2.1 Tensor

    • 张量

      • 描述任一维度的物体，可以是K x W x C的特征图，也可以是更高维度的，

      • 张量是对于向量矩阵，标量这些量进行更加泛化的概念上的定义；

      • 换句话说，标量、向量、矩阵都属于张量，标量是零维的张量，向量是一维的张量，矩阵是二维的张量

      • 张量有更高的泛化能力

      • 

      • 变量在机器学习中式非常重要的概念，我们需要用变量去表达参数，对于想要去求解的模型，最开始参数的模型是未知的，这个时候就认为它是一个变量

    • nn.Module

  • 1.3 Tensor与机器学习的关系

    • 1.3.1 Tensor的基本概念
      • （一） 样本：我们使用Tensor来对样本进行描述，
        • 比如说：一条语音数据，我们一般采用向量来进行描述，这个向量就是一个一阶的Tensor，这个Tensor描述了在采样之后的当前的时刻声音的这样的特征，将它图形化之后可能就是一段波形
        • 如果是一个图像，一般采用灰度图来描述，二阶的Tensor；W x H
        • 如果是一个彩色图，一般采用W x H x C,C 一般等于 3，它就是一个三阶的Tensor
      • （二） 模型：包含两类，有参数和无参数；
        • 有参数的模型主要就是这么一个例子
        • 我们通常将函数表示成y=f(x),假设它是一个具体的线性的函数，我们就把它表示成
          的形式，
        • X就是自变量，也就是所谓的样本；
        • W和b就是参数，在未知的情况下就是变量，在表示变量的时候也是通过Tensor来表示的；
        • 而Y就是标签，我们在表示标签的时候也是通过数字化来表示的，也是Tensor
      • 这里可以发现，Tensor是非常重要的，它可以用来描述机器学习的样本以及模型。
    • 1.3.2 Tensor基本操作：
      • 如果对理解Tensor有困难的话，也可以借助numpy；numpy和Tensor和Pytorch也是可以相互转换的，只是说使用Tensor和Pytorch可以描述一些变量，并且通过优化学习，梯度求导对变量进行求解
      • （一） 类型：

        • 

        • Tensor这些数据类型，就是我们之前学到的数据类型，只是在前面加了torch.;可以说我们在理解Tensor的数据类型和之前学的编程语言的数据类型的理解方式是一样的，只是在表示的时候加了torch。

      • （二） 创建

        • 

        • 可以结合numpy理解

下一篇文章我们将进行Tensor创建编程实例，在之后的文章中将介绍Tensor基本操作：

• 属性
• 运算
• 操作
• numpy的相互转换