1. Pytorch入门教程——总览

最近正式开始学习深度学习，而作为现在最流行的深度学习框架PyTorch，相信使用过的人都会被其轻便和快速等特点深深吸引，因此这个系列博客介绍了如何快速入门PyTorch。

学习一门新的语言或者框架最快速的方法自然是边看代码边看教程，于是我遍寻GitHub，终于找到了一个既简单又详细的PyTorch入门教程。该教程提供了完整的代码并添加了详细的注释，一步步循循善诱的引导读者快速入门PyTorch。但教程中有一些错误而且是全英文注释，因此我将此教程进行了翻译并重新整理，更详细的添加了自己理解的一些内容。最后我将原教程进行分拆，主要分为了8个内容，意图引导Pytorch初学者能够快速的入门，对Pytorch的基本操作有个全面的了解。

原教程github地址

本教程代码地址及需要的数据集
链接:https://pan.baidu.com/s/1CiZwfWrZqZSdx1c4MSaIHQ 密码:0izy

一、准备

在进入本教程前，需要有一些基本准备工作。

• 熟悉python，尤其要熟悉Numpy和Pandas库的使用；
• 最好有一些软件开发经验，如果有良好的编程背景，就能够很好的入门；
• 安装含有Python 3.x的Anaconda和Jupyter notebook；
• 最好有Nvidia GPU(比如GTX 1080)，如果没有也没关系，但训练时间会变长。当然你也可以在网上租用服务器或者远程GPU服务器；
• 读者应该对深度学习和神经网络的一些基本概念比较熟悉。比如线性函数，非线性函数(Relu等)，反向传播，梯度和梯度下降算法，损失函数，以及神经网络的权重怎么更新。对于CNN来说，应了解基本的卷积和池化操作。我们的教程将覆盖Pytorch张量(Tensor)，张量操作，以及迁移学习和Pytorch相关的所有概念。

二、Pytorch介绍

Pytorch是来自Facebook的一种相对比较新的深度学习框架，已经快速的在开发社区中流行开来。它的主要优点是它的灵活性和神经网络运行时更好的控制能力。另一个关键优势是它广泛使用了Python的编程习惯，入门比较简单，而不像Tensorflow定义了自己的语法和编程风格。

三、数据集

我们使用Cifar10数据集。该数据集包含了60000张图片，被分成10类。每张图片大小是28x28。由于这些图片比较小，较为模糊，导致成为分类任务中比较困难的数据集之一。该数据集的一些基准：
https://benchmarks.ai/cifar-10
有一个2014年的Cifar10竞赛，在
https://www.kaggle.com/c/cifar-10

四、目标

在学完该教程后，读者应该能够：

• 使用Pytorch创建一个API(一组类和实用函数)，来预处理和准备用于训练，验证和预测的图像数据集；
• 构造并使用API有效地将Pytorch中的迁移学习应用于图像数据集进行分类；
• 获取一些技巧，使用三种不同的预训练模型，通过有效地组合它们来实现比单个模型更高的精度，从而在Cifar10获得非常高的精度；
• 了解如何使用Pytorch为深度学习任务创建自己的类，并将它们用作其他应用程序的组件。

五、教程大纲

本教程将按以下步骤进行：

1. 创建Cifar10 Pytorch数据集；
2. 数据集预处理，准备训练；
3. 创建一个基类来构建一个基本的神经网络；
4. 创建一个派生自基类的全连接类；
5. 创建一个派生自基类的迁移学习类；
6. 在Cifar10数据集上训练两个不同的预训练迁移模型；
7. 使用单个模型和集成模型在数据集上进行验证，预测；
8. 在Kaggle给出的更大的测试集进行预测。

注意：接下来所有代码都在jupyter notebook中运行