十分钟快速入门计算机网络,深度学习快速进阶：十分钟带你做完四大练手项目（附完整代码）...

每天给小编五分钟，小编用自己的代码，带你轻松学习人工智能！本文将会带你做完两个深度学习练手项目，让你快速熟练掌握深度学习框架pytorch！野蛮智能，小白也能看懂的人工智能。

如果你还没有搭建好自己的深度学习框架，请参考小编的写给纯小白的深度学习环境搭建宝典：pytorch+tensorflow，用这份快速搭建的宝典完成框架搭建。下面进入实战！

挑战pytorch五大虎将

干货快递点：

三秒钟理解“张量”：pytorch中的数据表达形式是张量(Tensor)，TensorFLow中也有这个概念就是Tensor，之所以用Tensor，是因为它的表现能力强大，不论多么复杂的数据都能通过它表示出来。本质上来说，张量就是坐标超过两维的数组。例如，股票的涨跌有一百个影响因素，那一组股票数据就有一百个维度，那这样的多组数据就是一个张量。

pytorch中有以下类型的张量：

32位浮点型定义方法为：torch.FloatTensor()

64位浮点型定义方法为：torch.DoubleTensor()

16位整形定义方法为：torch.IntTensor()

32位整形定义方法为：torch.ShortTensor()

64位整形定义方法为：torch.LongTensor()

“()”内是你要定义的数据。下面进入代码实战。

代码配送站：

这里小编定义了FloatTensor类型的张量，在“()”内存储了一个二维数组，然后将他进行输出。也可以表示更高维的，只需要多加入一个“[]”，每一层中括号，就表示多一个维度。代码如下：

注意，这里的"()"是没有含义的，“()”里的“[]”才是表示数，一层中括号表示向量，两层汇中括号表示矩阵，三层和更多的中括号表示更高维度的数组。大家可以自己再练习着把五种类型的张量都定义一边并进行输出。

征战pytorch变量求导

干货快递点：

深度学习本质上是一个优化系统，想要优化就要找到最低(高)点，就必须要对参数进行求导。pytorch的优点之一就是张量的自动求导功能，一个张量如果变成一个变量，就可以在计算图中让这个变量自动求导，我们只需要取出这个导数对它进行优化即可。把一个张量变为一个变量的方法就是Variable(这个tensor)，把一个张量传入这个函数就会被变成变量了，就可以自动求导了。

代码配送站：

不过这里需要注意四点：

在使用Variable之前需要先导入这个函数，这个函数在torch.autograd模块里。在进行Variable操作时，需要指定是否需要求导，grad是求导的意思。这里我们传入True。backward内需要传入参数，第一个数会与数组的第一行相乘，第二个数乘以第二行，以此类推。如果想要令导数直接是原导数，只需要在backward参数内只输入一个1即可。如图：

一组代码，让你的数据集被完美处理

干货快递点：

如果说计算机语言分为面向对象和面向过程。那深度学习一定是面向数据，深度学习归根结底是从数据中找到规律，所以需要对数据进行操作。那么就需要你能够熟练处理你的数据集。关于数据集的模块，在torch.utils.data中有一个类是Dataset。重写这个类，就可以定义我们自己的数据类，进而用我们的数据类处理我们的数据。

代码配送站：

这组代码略微复杂一些，这里进行详细的讲解：

导入Dataset类，这个类在torch.utils.data内。使用from......import......导入。重写Dataset类，就需要命名一个新的类，并把原来的Dataset类传入括号内，声明继承关系。重写Dataset类，就必须要重写len()和getitem()函数，这个函数我们设置的是可以读取txt文本。所以都是对txt文本的操作。最后在主函数中进行测试，把数据集和路径传入我们的类中，新建对象，然后进行输出，就可以看到数据集中的结果。这里的数据集是小编自己写的，是为了演示方便而写的，如果大家想跑这段代码，可以自己随便写一个文本。pytorch中的神经网络

干货快递点：

pytorch中有一个模组，叫做nn.Module()，其中nn指的是neaural network，没错就是神经网络的意思。凡是跟神经网络有关的函数都在这里，神经网络的威力强大，相信大家都有所耳闻，尤其是深度神经网络(深度学习)。如果不了解，在小编别的文章里有详细的讲解。下面我们通过这个模块来实现一个简单的神经网络。

代码配送站：

由于直接建立一个完整的神经网络略为复杂，代码量比较大一些。我会在下篇文章里专门进行分析，并为大家能构建一个神经网络。这里只简单的讲解神经网络最核心的部分，大家可以先练习。

这段代码跟上一段代码一样，重写了nn.Module这个类。nn_net是类名。super是进行初始化的，声明这里是重写父类方法，而不是覆盖父类方法。因为我们还要使用父类的方法，所以这里不进行覆盖。这里的第5行代码通过self.Conv2d实现了一个二维的卷积层。最后几行定义了一个前向传播函数。

本文先到这里，下一篇文章继续带大家向深度学习前进！野蛮智能，小白也能看懂的人工智能！有什么问题可以在评论区留言！小编看到就会回。

举报/反馈