超级会员免费看
本文是系统学习Pytorch系列的第二篇，主要探讨Pytorch的动态图机制、自动求导原理，并通过实例介绍了逻辑回归模型。计算图用于描述运算过程，动态图提供灵活的计算方式。Pytorch的自动求导机制包括torch.autograd.backward()和torch.autograd.grad()函数，其中理解叶子节点和grad_fn属性至关重要。最后，文章实现了逻辑回归模型，强调了模型训练的五大步骤：数据处理、模型建立、损失函数选择、优化器选择和迭代训练。
Pytorch官方英文文档：https://pytorch.org/docs/stable/torch.html?
Pytorch中文文档：https://pytorch-cn.readthedocs.io/zh/latest/
1. 写在前面
疫情在家的这段时间，想系统的学习一遍Pytorch基础知识，因为我发现虽然直接Pytorch实战上手比较快，但是关于一些内部的原理知识其实并不是太懂，这样学习起来感觉很不踏实， 对Pytorch的使用依然是模模糊糊， 跟着人家的代码用Pytorch玩神经网络还行，也能读懂，但自己亲手做的时候，直接无从下手，啥也想不起来， 我觉得我这种情况就不是对于某个程序练得不熟了，而是对Pytorch本身在自己的脑海根本没有形成一个概念框架，不知道它内部运行原理和逻辑，所以自己写的时候没法形成一个代码逻辑，就无从下手。 这种情况即使背过人家这个程序，那也只是某个程序而已，不能说会Pytorch， 并且这种背程序的思想本身就很可怕， 所以我还是习惯学习知识先有框架（至少先知道有啥东西）然后再通过实战（各个东西具体咋用）来填充这个框架。 而这个系列的目的就是在脑海中先建一个Pytorch的基本框架出来, 学习知识，知其然，知其所以然才更有意思 😉。
今天是该系列的第二篇， 接着上次的学习
订阅专栏 解锁全文
560
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
