Pytorch深度学习快速入门精简教程

神经网络的典型训练过程如下：

• 定义具有一些可学习参数（或权重）的神经网络
• 遍历输入数据集
• 通过网络处理输入
• 计算损失（输出正确的距离有多远）
• 将梯度传播回网络参数
• 通常使用简单的更新规则来更新网络的权重： weight = weight - learning_rate * gradient

网络定义例子如下：

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


class Net(nn.Module):

    def __init__(self):
        super(Net, self).__init__()
        # 1 input image channel, 6 output channels, 3x3 square convolution
        # kernel
        self.conv1 = nn.Conv2d(1, 6, 3)
        self.conv2 = nn.Conv2d(6, 16, 3)
        # an affine operation: y = Wx + b
        self.fc1 = nn.Linear(16 * 6 * 6, 120)  # 6*6 from image dimension
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        # Max pooling over a (2, 2) window
        x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
        # If the size is a square you can only specify a single number
        x = F.max_pool2d(F.relu(self.conv2(x)), 2)
        x = x.view(-1, self.num_flat_features(x))
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # all dimensions except the batch dimension
        num_features = 1
        for s in size:
            num_features *= s
        return num_features


net = Net()
print(net)

     通常，当您必须处理图像，文本，音频或视频数据时，可以使用将数据加载到numpy数组中的标准python包。然后，您可以将此数组转换为torch.*Tensor。

• 对于图像，Pillow，OpenCV等软件包很有用
• 对于音频，请使用scipy和librosa等软件包
• 对于文本，基于Python或Cython的原始加载，或者NLTK和SpaCy很有用

      具体地，对于视觉，我们已经创建了一个叫做 torchvision，其中有对普通数据集如Imagenet，CIFAR10，MNIST等和用于图像数据的变压器，即，数据装载机 torchvision.datasets和torch.utils.data.DataLoader。

     这提供了极大的便利，并且避免了编写样板代码。

训练图像分类器

我们将按顺序执行以下步骤：

1. 使用以下命令加载和标准化CIFAR10训练和测试数据集 torchvision
2. 定义卷积神经网络
3. 定义损失函数
4. 根据训练数据训练网络
5. 在测试数据上测试网络

使用numpy实现网络实例

# -*- coding: utf-8 -*-
import numpy as np

# N is batch size; D_in is input dimension;
# H is hidden dimension; D_out is output dimension.
N, D_in, H, D_out = 64, 1000, 100, 10

# Create random input and output data
x = np.r