【深度学习基础】Pytorch框架CV开发（1）基础铺垫

：如果你也对机器人、人工智能感兴趣，看来我们志同道合✨
：不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】
：文章若有幸对你有帮助，可点赞 收藏 ⭐不迷路
：内容若有错误，敬请留言 指正！原创文，转载请注明出处

简单介绍下Pytorch

深度学习框架的作用：通过深度学习框架搭建神经网络；

什么是Pytorch？：Pytorch是Facebook的AI研究团队开发，以python优先的深度学习框架。

tensor的作用：tensor是Pytorch中最基本的构建，能够像Numpy一样进行矩阵运算，同时支持GPU加速。亦可以与Numpy相互转换。

tensor学习的重点：重点是tensor的操作和数学运算，难点是variable和自动求导。

tourch包括两种操作：
1.数学运算，这个跟python中的数学运算一致。
2.高级操作

导入Pytorch的方法：import torch

Pytorch基础

张量

什么是张量：Pytorch中任何数据都是张量，分为一维和多维张量，其中三维张量就是图像。

创建张量tensor

创建空张量：a=torch.empty(2,3)或是a=torch.zeros(2,3)
创建随机张量：a=torch.random(3,3) 创建自定义张量： a=torch.tensor([1,2,3,2,4,4])#一维
a=torch.tensor([[1,2,3],[2,4,4]])#二维

张量算术运算：规则跟数组一样，相±，形状必须一样；*/要求参考数组的表达。 例如： C=a.add(b)
xy=torch.matmul(x,y)

张量形状变换：使用view函数，张量名2=张量名1.view(新形状) 查看张量形状：张量名.size() 张量与数组之间的数据转换：
张量转成数组：数组名=张量名.Numpy() 数组转成张量：张量名=torch.from_Numpy(数组名)

张量可以理解为矩阵。 张量里面的review跟数组内的reshape一样。 matmul翻译为矩阵相乘

自动梯度

什么是自动梯度：就是自动求偏导数，计算梯度就是计算偏导数。

如何计算梯度：使用函数backward()
例如：

输出结果的作用：帮助调整输入，也就是深度学习的目的。最终得到一个正确的预测模型。
计算梯度就是反向计算，也就是求导。

线性回归

什么是线性回归？线性规划根据输入的数据拟合曲线。通过一堆点生成一条直线，这条直线符合y=kx+b这样的一元一次函数。采用的方法（拟合方式）是最小二乘法，也就是每个点的纵坐标（真实值）与线上的预测值之间的误差和最小。

Pytorch中如何求线性回归？使用函数：torch.nn.liner(input,output)
其中的输入是x，输出是y。
如何计算真实值与预测值之间的误差？
公式：

使用的函数：torch.nn.MSELoss

更新参数（k和d）的方法：参数=参数-学习率*参数梯度
计算损失值不断循环往复，直到这个损失值到最小值才停止更新。

上述不断更新参数的过程在Pytorch中如何实现？
使用下面的函数即可。使用SGD优化器不断拟合参数

如何构建正确的线性回归模型？
1.构建初始模型
2.计算损失
3.更新参数（模型训练）
数据+模型+损失+优化

通过一堆点生成一条直线，这个过程叫做拟合。
线性回归的过程就是找到合适的k和b，使得真实值与预测值的差值（损失值）最小。

逻辑回归

什么是逻辑回归？在线性组合的基础上加上非线性变换。

逻辑回归在理解了线性回归的基础上，理解起来比较简单，其实是对线性的情况进行复杂化，因为实际情况中的很多关系不是线性的。

人工神经网络

人工神经网络的出现：线性回归是预先知道y-x之间的关系的，而实际上很多时候是不知道两者之间的关系，就是说y-x很可能不是线性的，甚至数据量是否庞大，这个时候人工神经网络出现了，可以帮助构建y-x之间的模型关系。人工神经网络本意是为了模仿人的大脑神经网络，希望做到像人脑一样思考，因此提出了人工神经网络这个概念。

人工神经网络发展历史

感知机

感知机的出现：线性回归都是单个变量之间的关系，为应对更为复杂的实际问题，出现了感知机这一概念，感知机的输入有多个x，输出y由多个线性回归组合而成，是一个多元一次函数。所求出的y为和，通过激活函数的操作，判断是否将其激活。这个就是比逻辑回归更加复杂点，多增加了输入量。
感知机也是在模仿神经网络，其中的结点就是神经元。

反向传播

反向传播算法的两个阶段：前向传播阶段和反向传播阶段。
前向传播的作用：从输入层到隐藏层到输出层这一个过程，输出预测值，计算预测值跟标签值之间的差值。
反向传播的作用：差值从输出层反向传播给输入层，若差值过大就会重新计算参数，进行优化。优化后的参数再一次进行前向传播，如此往复循环，最终输出最小差值，停止参数更新。也说明预测值越来越接近真实值。
反向传播算法的分类：静态反向传播；循环反向传播。

反向传播的数学原理：自动梯度求导（遵循链式求导法则）

E是损失误差，net是输入值，o是输入值经过激活函数后的输出值。
E对wi求出的导数越大说明对E的贡献越大，可以通过减小w值来实现E的缩小，得到新的wi值，新的值重新进行训练，得到新的E值，通过判断E的大小考虑是否再进行上述的轮回，直至最小（也就是训练结束）。

反向传播举例：

反向传播的训练方法
1.随机/世故梯度下降：计算梯度基于单个样本，计算速度快，很容易收敛。 每个样本都要下降一次。
2.标准/批量梯度下降：计算基于整个数据集，计算速度慢，不容易收敛。 整个样本全部计算完后下降一次。
3.mini_batch梯度下降：而实际训练中都不采用上述两种方法，而采用小批量梯度下降，也就是batch_size的值，这个值要根据显卡的内存去设置。 优点是：收敛速度快，算法精度高。

线性组合加上非线性变换就是感知机。
总结：前向传播用于产生错误；反向传播用于更新参数

Pytorch中的基础数据集

Pytoch内置数据集：Pytorch内置需要经典的数据集，可以直接拿来使用。

数据集的读取和加载：dataset用于读取数据集；dataloader用于加载数据集。

dataset也就是封装好了许多经典的数据集，我们没必要去网上下载了，存储在torchvision这个模块里面。在Pytorch里直接使用dataloader就可以下载了。