PyTorch（七）总结

系列文章目录

PyTorch（一）安装与环境配置
PyTorch（二）Dataset 与 DataLoader
PyTorch（三）TensorBoard 与 Transforms
PyTorch（四）Torchvision 与 Transforms
PyTorch（五）神经网络基础
PyTorch（六）网络模型

---

---

Log

2022.12.11整理整理，梳理一下（水一篇（不是）），寒假要去搞其他的事情了，估计不会更新博客2022.12.12完善一下

---

• 本篇文章是对之前课程学习内容的总结。
• 学习的视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】

一、安装与环境配置

• 主要介绍了在使用 PyTorch 之前需要进行的准备工作，包括 conda 和 CUDA 的安装，以及用到的编译器及其各自的特点等内容。

二、Dataset 与 DataLoader

• 主要介绍了 Pytorch 中 Dataset 和 DataLoader 两个类的区别以及使用方法。

三、TensorBoard 与 Transforms

• 主要介绍了 $\mathrm{T}\mathrm{e}\mathrm{n}\mathrm{s}\mathrm{o}\mathrm{r}\mathrm{B}\mathrm{o}\mathrm{a}\mathrm{r}\mathrm{d}$ 的安装以及其中的 $\mathrm{S}\mathrm{u}\mathrm{m}\mathrm{m}\mathrm{a}\mathrm{r}\mathrm{y}\mathrm{W}\mathrm{r}\mathrm{i}\mathrm{t}\mathrm{e}\mathrm{r}$ 的使用，包括函数 add_scalar() 以及 add_image() 的使用方法。
• 同时还介绍了 $\mathrm{T}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{s}\mathrm{f}\mathrm{o}\mathrm{r}\mathrm{m}\mathrm{s}$ 的结构及用法，以及诸如 ToTensor、Normalize、 Resize、 Compose、 RandomCrop 等的常用的函数的用法。

四、Torchvision 与 Transforms

• 以 $\mathrm{C}\mathrm{I}\mathrm{F}\mathrm{R}10$ 为例介绍了 $\mathrm{T}\mathrm{o}\mathrm{r}\mathrm{c}\mathrm{h}\mathrm{v}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}$ 中数据集的使用方法，以及如何结合 $\mathrm{T}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{s}\mathrm{f}\mathrm{o}\mathrm{r}\mathrm{m}\mathrm{s}$ 使用数据集。

五、神经网络基础

• 主要介绍了 $\mathrm{P}\mathrm{y}\mathrm{t}\mathrm{o}\mathrm{r}\mathrm{c}\mathrm{h}$ 中 torch.nn 有关神经网络的相关内容，包括其中的相关模块的使用方法。
• 在容器（Containers） 中介绍了 torch.nn.Module，它是所有神经网络的一个基本的类，提供一个基本骨架，所有自建的网络都需要继承该类；同时还介绍了 torch.nn.Sequential，它的作用是整合不同的操作，使代码变得简洁。
• 在卷积层（Convolution Layers） 中介绍了 torch.nn.functional 和 torch.nn 中的 Conv2d 类，torch.nn 是对 torch.nn.functional 的封装，因此 torch.nn.functional 中的内容会更加详细一些。
• 在池化层（Pooling layers） 中介绍了 nn.MaxPool2d 下采样（最大池化），它的作用就是降低数据的维度，减少数据量，提高网络的训练速度。
• 在非线性激活（Non-linear Activations） 中介绍了 ReLU 以及 Sigmod 的使用，非线性激活是为了为我们的神经网络中引入一些非线性的特质，非线性越多的话就越容易训练出符合各种特征的模型，得到更好的泛化能力。
• 在线性层（Linear Layers） 中介绍了 torch.nn.Linear，作用是进行线性变换。
• 在损失函数（Loss Functions） 中介绍了 L1Loss、MSELoss、CrossEntropyLoss三种损失函数的使用方法。
• 最后还介绍了优化器（Optimizer），它的作用是利用反向传播计算出的梯度对参数进行调整，进而实现误差降低的目的。

六、网络模型

• 介绍了如何对已有的模型进行修改或者添加自己想要的结构，保存的读取网络模型的方法，利用 GPU 进行训练，以及完整的模型训练和验证的套路。