Pytorch学习笔记-①初学者对一些基本问题的答疑

Q1：epochs, iterations， batch_size是什么意思？

【Pytorch学习笔记-epochs, iterations， batch_size解释】传送门【https://zhuanlan.zhihu.com/p/362536902】

---

Q2：batch size与LR（学习率之间的关系）?

【Batch Size & Learning Rate】传送门【https://www.pianshen.com/article/12281459547/】

---

Q3：batch size大小对结果的影响？

经过实践发现，batch_size的大小和结果关系不大，只是占用显存和运算速度大小不同。

Q4：argparse.ArgumentParser()是什么东西？

【argparse.ArgumentParser()用法解析】传送门【https://blog.csdn.net/lizhiyuanbest/article/details/104975848】
主要有三个步骤：

• 创建 ArgumentParser() 对象
• 调用 add_argument() 方法添加参数
• 使用 parse_args() 解析添加的参数

Q5：An exception has occurred, use %tb to see the full traceback.

SystemExit: 2
报错：
在jupyter notebook下运行pytorch代码，发现如下错误
opt = parser.parse_args(args=[])
按如下修改，即可

Q5：tensor张量与numpy数组的转换代码

X_train = torch.from_numpy(X_train.to_numpy()).float() # 数组
y_train = torch.squeeze(torch.from_numpy(y_train.to_numpy()).float()) # 序列

Q6：它的训练流程基本流程

• 定义包含一些可学习参数(或者叫权重）的神经网络
• 在输入数据集上迭代
• 通过网络处理输入
• 计算loss(输出和正确答案的距离）
• 将梯度反向传播给网络的参数
• 更新网络的权重，一般使用一个简单的规则：weight = weight - learning_rate * gradient

Q7:nn.Module的解释

可以使用torch.nn包来构建神经网络。即使用 PyTorch 构建神经网络的一种简单方法是创建一个继承自 torch.nn.Module 的类。
这里将nn.Module子类化(它本身是一个类并且能够跟踪状态）。在这种情况下，我们要创建一个类，该类包含前进步骤的权重，偏差和方法。nn.Module具有许多我们将要使用的属性和方法(例如.parameters()和.zero_grad())。

Q8：torch.nn.Sequential、torch.nn.Linear、torch.nn.RelU

【PyTorch 笔记（16）— torch.nn.Sequential、torch.nn.Linear、torch.nn.RelU】传送门https://blog.csdn.net/wohu1104/article/details/107646744

Q9：常见的损失函数Loss Function

【Pytorch里的CrossEntropyLoss详解】传送门【https://www.cnblogs.com/marsggbo/p/10401215.html】

Q10：常见的优化器

【PyTorch常见的优化器】传送门【https://blog.csdn.net/CharmsLUO/article/details/109853517】

Q11：pytorch两个基本对象：Tensor（张量）和Variable（变量）

【pytorch两个基本对象：Tensor（张量）和Variable（变量）】传送门【https://blog.csdn.net/mr_zhuo_/article/details/108132061】

Q12：无法加载到GPU进行计算

报错如下

RuntimeError: Tensor for 'out' is on cpu, Tensor for argument #1 'self' is on cpu, but expected them to be on GPU

# Initialize generator and discriminator
generator = Generator().to('cuda')
discriminator = Discriminator().to('cuda')