深度學習基本流程（pytorch pycharm）

標頭檔案：

import torch as t

import torchvision as tv
import torchvision.transforms as transforms
from torch.autograd import variable

import torch.nn as nn

import torch.nn.functional as f

1.資料載入及預處理

1）主要函式：

t.utils.data.dataloader：匯入資料，制定batch_size

tv.transform.compose：資料預處理的操作集，如將資料轉為tensor格式，歸一化等

主要需要載入訓練集和測試集

2）一些技巧：

資料載入：如果是常見開源庫，可以用torchvision載入；

載入完以後視覺化看一下

2.定義網路（net）

用乙個名為net的類定義

需要繼承torch.nn中的nn.module(注意m大寫）

net類包括初始化函式和forward函式兩部分

1）初始化：_init__(self):    放置有可學習引數的層（注意init前後均是兩個下劃線）

a)對nn.module初始化: super（net, self）__init__()

b)定義卷積和全連線操作（用到nn.conv2d(), nn.linear()）

2)前向操作：forward(self， x)

輸入x，按照網路前向傳播步驟，呼叫初始化中定義的卷積和全連線操作，得到最後輸出，並return

3.定義損失函式和優化器

損失函式評估結果與label間的差距，通過backward損失函式，可以計算出每個引數的梯度，然後通過優化器調整引數

損失函式nn中已定義好

import torch.optim as optim

4.訓練網路（目的是得出最佳引數的網路）

epoch

i,data

1）獲取訓練資料和標籤

2）資料輸入網路，前向傳播

3）網路輸出和標籤輸入損失函式，求得損失

4）清零優化器

5）損失反向傳播

6）更新優化器，更新引數

7）累加損失，資訊列印，用於監測每個batch的平均損失，主要看損失有沒有變小

訓練好網路類後建立乙個網路，即net=net()

5.測試網路

看實際標籤和**結果

把測試資料輸入網路，將其輸出和label比較，看二者一致樣本佔全部樣本比重，即為測試結果

6.在gpu訓練

將網路、資料、標籤都轉為cuda

7.其他：4.26前的pytorch版本，網路輸入為variable，資料在輸入net前需要從tensor轉為variable，需要from 

torch.autograd 

import 

variable

4.26 pytorch中variable和tensor區別不大，無需再轉換

pytorch基本流程

tensor格式轉換 主要是講numpy格式轉換為tensor格式 x train,y train,x valid,y valid map torch.tensor,x train,y train,x valid,y valid torch.nn.finction模組與torch.nn.module...

pytorch 深度學習

pytorch深度學習實踐 訓練集 開發集 模型評估 測試集。f x wx b f x wx b f x w x bloss 乙個樣本 cost mean square error training set 區域性最優，不一定全域性最優。鞍點 梯度為0，但無法繼續迭代。w w c ost ww w ...

深度學習 安裝pytorch

1 官網 2 cmd中執行 注意 直接複製run this command 裡面的安裝 注意 把pip3的3刪除 第一步 pip install i 第二步 pip install torchvision 注意 第一步和第二步可以合併為pip install i torchvision 3 安裝技巧...