R-DeepH

摘要： 注意：这是旧版本的PyTorch教程的一部分。你可以在Learn the Basics查看最新的开始目录。 该教程通过几个独立的例子介绍了PyTorch的基本概念。 核心是：PyTorch提供了两个主要的特性： 一个n维的Tensor，与Numpy相似但可以在GPU上运行 构建和训练神经网络的自动微 阅读全文

摘要： 本节我们将会看到如何保存模型状态、加载和运行模型预测 import torch import torchvision.models as models 保存和加载模型权重 PyTorch模型在一个称为 state_dict 的内部状态字典内保存了学习的参数，可以通过 torch.save实现这一过程 阅读全文

摘要： 既然已经有模型和数据了，是时候在数据上优化模型参数来训练、验证和测试它了。模型训练是一个迭代过程；在每一次迭代（epoch），模型会作出一个预测，计算其预测误差（loss），收集误差关于模型参数的导数（如前一节所述），并使用梯度优化这些参数。关于这一过程的详细信息，可以观看backpropagati 阅读全文

摘要： 训练神经网络时，最常用的算法就是反向传播。在该算法中，参数（模型权重）会根据损失函数关于对应参数的梯度进行调整。 为了计算这些梯度，PyTorch内置了名为 torch.autograd 的微分引擎。它支持任意计算图的自动梯度计算。 一个最简单的单层神经网络，输入 x，参数 w 和 b，某个损失函数 阅读全文

摘要： 神经网络由对数据进行操作的layers/modules组成。torch.nn 命名空间提供了所有你需要的构建块，用于构建你自己的神经网络。PyTorch的每一个module都继承自nn.Module。神经网络本身也是包含其它module（layer）的module。这种嵌套结构允许轻松构建和管理复杂 阅读全文

摘要： 数据并不总是满足机器学习算法所需的格式。我们使用transform对数据进行一些操作，使得其能适用于训练。 所有的TorchVision数据集都有两个参数，用以接受包含transform逻辑的可调用项-transform 修改features，targe_transform 修改标签。torchvi 阅读全文

摘要： 用于处理数据样本的代码可能会变得凌乱且难以维护；理想情况下，我们希望数据集代码和模型训练代码解耦（分离），以获得更好的可读性和模块性。PyTorch提供了两个data primitives：torch.utils.data.DataLoader 和 torch.utils.data.Dataset， 阅读全文

摘要： Tensor是一种特殊的数据结构，非常类似于数组和矩阵。在PyTorch中，我们使用tensor编码模型的输入和输出，以及模型的参数。 Tensor类似于Numpy的ndarrays，除了tensor能在GPUs或其它硬件加速器上运行。事实上，tensor和NumPy数组可以共享相同的底层内存，而不 阅读全文

摘要： 本节介绍有关机器学习常见任务重的API。请参阅每一节的链接以深入了解。 Working with data PyTorch有两个有关数据工作的原型：torch.utils.data.DataLoader 和 torch.utils.data.Dataset。Dataset 存储了样本及其对应的标签， 阅读全文

摘要： 大多数机器学习流程都包括数据、创建模型、优化模型参数，以及保存训练模型工作。该教程向你介绍一个在PyTorch上实现的完整的机器学习工作流，并提供了了解这些概念详细信息的链接。 我们将使用FashionMNIST数据集训练一个神经网络，用以预测输入图片是否属于以下几类：T-shirt/top, Tr 阅读全文