pytorch python区别_python中比较有用的package (V) -- pytorch

50.展开用reshape，或者view。不指定大小用-1代替。例如可以a.view(-1)将向量一维化。.item()能够将一个张量值标量取出。

51.与numpy之间转换关系，a.numpy()//torch.from_numpy()

52.通过创建张量时设置requires_grad=True可以实现自动微分,对张量进行各种运算操作，可以随时查看变量经历的操作使用x.grad_fn。需要求导时使用out.backward(),通过打印x.grad()即可。如果要查看在其他地方的梯度，使用v = torch.tensor([0.1, 1.0, 0.0001], dtype=torch.float)  y.backward(v)

53.创建一个以nn.Module为父类的子类，__init__初始化一些名词，所使用的层，self.conv1=nn.Conv2d(32,6,5),分别为输入，输出，核大小。定义完之后需要利用forward添加一些层间操作.之后实例化Net，out=net(input)即可开始前向传播。out.backward(torch.randn(1, 10))随机一个梯度进行反向传播。

54.损失函数部分：实例化一个损失函数criterion = nn.MSELoss()，得到真值和计算值之后，计算损失loss = criterion(output, target)

55.计算损失函数的梯度后开始更新权重import torch.optim as optim

optimizer = optim.SGD(net.parameters(), lr=0.01)，输入参数是网络参数和学习率。步骤：优化器权重清零，计算输出，计算损失函数，损失函数后向求梯度，更新权重。

56.构造transform将数据转化成(-1，1)的数据

--------------------PROCESS-------------------------------

1.首先导入需要的包

2.数据生成，按照架构保存数据到不同文件夹下，生成路径txt

3.定义网络初始化已经定义前向函数，注意每一层的输入输出和大小。并且实例化。

4.定义损失函数和优化器，以及学习率和momentum，根据分类情况选择损失函数

5.训练网络，for循环轮数，每轮loss归零，对于每个图片在trainloader迭代器循环，得到inputs，labels，初始化梯度，即opt.zero_grad()，在网络内部前向传播得到输出，根据输出和labels计算loss。计算梯度，而后更新权值。计算所有图片的loss，输出总的loss。

6.计算测试集精度，with torch.no_grad(): 测试只需要前向传播，在testloader中读取数据，得到images，labels，前向传播得到输出, _, predicted = torch.max(outputs.data, 1)   # 找出分数最高的对应的channel，即为top-1类别,之后计算精度。

7.保存模型，save状态字典和路径，load加载路径即读取模型，使用时实例化后加载状态矩阵即可。