训练模型 - 深度学习和神经网络：Python 和 PyTorch p.4

本教程将继续之前的内容，重点介绍如何使用标记数据训练神经网络模型，使其能够识别手写数字。

首先，讲解了两个重要的概念：损失函数和优化器。损失函数用来衡量模型预测的错误程度，目标是随着训练过程的进行，损失逐渐降低。即使模型预测正确，也可能存在一定的误差，因为模型的预测结果并非完全确定，例如，模型可能对正确答案的置信度只有60%，而对其他答案的置信度也有20%。

优化器则负责根据损失函数的梯度调整模型的权重，以降低损失。优化器通过学习率来控制权重调整的速度。

教程中使用Adam优化器，并将其应用于模型中可调整参数的集合（net.parameters）。值得注意的是，并非所有参数都需要调整，例如，在迁移学习中，可以冻结已训练好的模型的前几层，只调整后几层的权重。

最后，教程简要介绍了学习率的概念，并准备在后续内容中详细讲解迁移学习。

在这个使用 Python 和 Pytorch 的深度学习教程中，我们将通过学习如何迭代数据、传递给模型、计算结果的损失以及进行反向传播来训练这个神经网络，从而慢慢地将模型拟合到数据。文本教程和示例代码：https://pythonprogramming.net/training-deep-learning-neural-network-pytorch/Linode