pytorch基础用法

1. 

# 把x0和x1的数据合在一起，声明是什么类型的数据集
x = torch.cat((x0, x1), 0).type(torch.FloatTensor)  # shape (200, 2) FloatTensor = 32-bit floating
y = torch.cat((y0, y1), ).type(torch.LongTensor)    # shape (200,) LongTensor = 64-bit integer

2. 

对于回归问题常用的损失函数有：均方误差(MSE)，平均绝对值误差（也称L1损失）等。

对于分类问题，常用的损失函数则为交叉熵（Cross Entropy Loss）。

而交叉熵本质上描述的是两个概率分布的距离，即实际概率与期望概率之间的距离。这就不难理解：

交叉熵的值越小，两个概率分布就越接近，也就是预测值越接近期望值。

3. load数据

torch_dataset = Data.TensorDataset(x, y)  # 告诉数据库训练数据是x， 计算loss的target是y
loader = Data.DataLoader(
    dataset=torch_dataset,
    batch_size=5,
    shuffle=True, # 需不需要打乱数据顺序去训练
    num_workers=2,  # 提取的线程和进程数？？
)  # 使我们的训练值变成一小批一小批的

3. 生成当前的准确时间和时间戳

now = datetime.datetime.now(dateutil.tz.tzlocal())  # 生成当前的日期和时间
timestamp = now.strftime('%Y_%m_%d_%H_%M_%S')  # 生成时间戳
output_dir = '../output/%s_%s_%s' % \
                 (cfg.DATASET_NAME, cfg.CONFIG_NAME, timestamp)