深度学习基本流程（pytorch-pycharm）

头文件：

import torch as t
import torchvision as tv
import torchvision.transforms as transforms
from torch.autograd import Variable

import torch.nn as nn
import torch.nn.functional as F

1.数据加载及预处理

1）主要函数：

tv.datasets: 数据路径，是训练集还是测试集，是否需要下载，预处理

t.utils.data.Dataloader：导入数据，制定batch_size

tv.transform.Compose：数据预处理的操作集，如将数据转为Tensor格式，归一化等

主要需要加载训练集和测试集

2）一些技巧：

数据加载：如果是常见开源库，可以用torchvision载入；

加载完以后可视化看一下

2.定义网络（Net）

用一个名为Net的类定义

需要继承torch.nn中的nn.Module(注意M大写）

Net类包括初始化函数和forward函数两部分

1）初始化：_init__(self):    放置有可学习参数的层（注意init前后均是两个下划线）

a)对nn.Module初始化: super（Net, self）__init__()

b)定义卷积和全连接操作（用到nn.Conv2d(), nn.Linear()）

2)前向操作：forward(self， x)

输入x，按照网络前向传播步骤，调用初始化中定义的卷积和全连接操作，得到最后输出，并return

3.定义损失函数和优化器

损失函数评估结果与label间的差距，通过backward损失函数，可以计算出每个参数的梯度，然后通过优化器调整参数

损失函数nn中已定义好

import torch.optim as optim

优化器在optim中定义好，调用即可

4.训练网络（目的是得出最佳参数的网络）

Epoch

      i,data

            1）获取训练数据和标签

            2）数据输入网络，前向传播

            3）网络输出和标签输入损失函数，求得损失

            4）清零优化器

            5）损失反向传播

            6）更新优化器，更新参数

            7）累加损失，信息打印，用于监测每个batch的平均损失，主要看损失有没有变小

训练好网络类后创建一个网络，即net=Net()

5.测试网络

看实际标签和预测结果

把测试数据输入网络，将其输出和label比较，看二者一致样本占全部样本比重，即为测试结果

6.在GPU训练

将网络、数据、标签都转为CUDA

7.其他：4.26前的pytorch版本，网络输入为Variable，数据在输入net前需要从Tensor转为Variable，需要from torch.autograd import Variable

4.26 PYtorch中Variable和tensor区别不大，无需再转换