摘要：
### Windows配置 *右键网络* > *属性* > *更改适配器设置* > *以太网* > *右键属性* > *TCP/IPv4* > *IP地址（192.168.1.3）* > *子网掩码（255.255.255.0）* > *默认网关*（192.168.1.1） ### Ubuntu配置 阅读全文
摘要：
在60分钟闪电战中，我们像你展示了如何加载数据，通过为我们定义的nn.Module的子类的model提供数据，在训练集上训练模型，在测试集上测试模型。为了了解发生了什么，我们在模型训练时打印了一些统计数据，以观察训练是否正在进行。但是，我们可以做的比这更好：PyTorch和TensorBoard的集 阅读全文
摘要：
该教程是在notebook上运行的，而不是脚本，下载notebook文件。 PyTorch提供了设计优雅的模块和类：torch.nn, torch.optim, Dataset, DataLoader，以创建和训练神经网络。为了充分利用其功能，并根据问题进行自定义，需要充分理解它们做的是什么。为了提 阅读全文
摘要：
注意：这是旧版本的PyTorch教程的一部分。你可以在Learn the Basics查看最新的开始目录。 该教程通过几个独立的例子介绍了PyTorch的基本概念。 核心是：PyTorch提供了两个主要的特性： 一个n维的Tensor，与Numpy相似但可以在GPU上运行 构建和训练神经网络的自动微 阅读全文
摘要：
本节我们将会看到如何保存模型状态、加载和运行模型预测 import torch import torchvision.models as models 保存和加载模型权重 PyTorch模型在一个称为 state_dict 的内部状态字典内保存了学习的参数，可以通过 torch.save实现这一过程 阅读全文
摘要：
既然已经有模型和数据了，是时候在数据上优化模型参数来训练、验证和测试它了。模型训练是一个迭代过程；在每一次迭代（epoch），模型会作出一个预测，计算其预测误差（loss），收集误差关于模型参数的导数（如前一节所述），并使用梯度优化这些参数。关于这一过程的详细信息，可以观看backpropagati 阅读全文
摘要：
训练神经网络时，最常用的算法就是反向传播。在该算法中，参数（模型权重）会根据损失函数关于对应参数的梯度进行调整。 为了计算这些梯度，PyTorch内置了名为 torch.autograd 的微分引擎。它支持任意计算图的自动梯度计算。 一个最简单的单层神经网络，输入 x，参数 w 和 b，某个损失函数 阅读全文
摘要：
神经网络由对数据进行操作的layers/modules组成。torch.nn 命名空间提供了所有你需要的构建块，用于构建你自己的神经网络。PyTorch的每一个module都继承自nn.Module。神经网络本身也是包含其它module（layer）的module。这种嵌套结构允许轻松构建和管理复杂 阅读全文
摘要：
数据并不总是满足机器学习算法所需的格式。我们使用transform对数据进行一些操作，使得其能适用于训练。 所有的TorchVision数据集都有两个参数，用以接受包含transform逻辑的可调用项-transform 修改features，targe_transform 修改标签。torchvi 阅读全文
摘要：
用于处理数据样本的代码可能会变得凌乱且难以维护；理想情况下，我们希望数据集代码和模型训练代码解耦（分离），以获得更好的可读性和模块性。PyTorch提供了两个data primitives：torch.utils.data.DataLoader 和 torch.utils.data.Dataset， 阅读全文