PyTorch深度学习笔记之神经网络的构成
理解神经网络的基本组成部分，如张量、张量运算和梯度递减等
目录
2.1 安装PyTorch
使用pip或者conda来安装，推荐使用Anaconda Python3发行版
最新版本的安装：conda install pytorch torchvision cudatoolkit=10.0 -c pytorch
2.2 实现第一个神经网络
准备数据
- 标量（0维张量）
- 向量（1维张量）
- 矩阵（2维张量）
- 3维张量
- 切片张量
- 4维张量
- 5维张量
- GPU张量
创建数据
- 创建学习参数
变量的创建，requires_grad的值是False；初始化学习参数，requires_grad的值是True - 神经网络模型
- 网络的实现
PyTorch在torch.nn中提供了称为层（layer）的高级抽象，层将负责多数常见的技术都需要用到的后台初始化和运算工作。 - 损失函数
torch.nn库中有不同的损失函数，如均方差（又称方差，MSE）损失和交叉熵损失。 - 优化神经网络
不同的优化器，如Adam、RmsProp和SGD，已在torch.optim包中实现好
加载数据
两个重要的工具类：Dataset类和DataLoader类
- Dataset类
任何自定义的数据集类，都要继承自PyTorch的数据集类。
自定义的类必须实现两个函数：len(self)和__getitem__(self,idx) - DataLoader类
DataLoader类通过提取出大部分复杂度来帮助创建批数据。
DataLoader类位于PyTorch的utils类中，它将数据集对象和不同的取样器联合，如SequentialSampler和RandomSampler，并使用单进程或多进程的迭代器，为我们提供批量图片。
取样器是为算法提供数据的不同策略。
PyTorch团队也维护了两个有用的库，即torchvision和torchtext，这两个库基于Dataset和DataLoader类构建。
