weixin_43587056的博客

torch.nn.Flatten（start_dim=1,end_dim=-1） 运行结果：torch.nn.Linear(in_features, out_features, bias=True, device=None, dtype=None)in_features (int) – size of each input sampleout_features (int) – size of each output samplebias (bool) – If set to , the layer w

张量类似于 NumPy 的 ndarray，张量可以在 GPU 或其他专用硬件来加速计算。

安装了TensorBoard（pip install tensorboard），就可以让你记录PyTorch模型。并将指标放入一个目录中(events文件)，以便在 TensorBoard UI 中进行可视化。标量、图像、直方图、图形和嵌入可视化都是支持的。执行上述代码，文件夹会保存一个events文件；在命令行输入 -------注意文件路径不需要events路径，为events上一级路径；

检索数据集的特征并一次标记一个样本。在训练模型时，我们通常希望 在“小批量”中传递样本，在每个时期重新洗牌数据以减少模型过度拟合，并使用 Python 的 加快数据检索速度。我们已将该数据集加载到DataLoader中，并可以根据需要循环访问该数据集。下面的每次迭代都会返回一批 图像and标签（分别包含特征和标注）。自定义数据集类必须实现三个函数：__init__、__len__和__getitem__。，在我们遍历所有批次后，数据将被洗牌。准备数据以使用数据加载程序进行训练。遍历 DataLoader。