摘要：
0603-常用的神经网络层 pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html 一、图像相关层 图像相关层主要包括卷积层（Conv）、池化层（Pool）等 这些层在实际的使用中也分为一维（1D）、二维（2D）和三维（3D 阅读全文
摘要：
0404-Tensor的持久化和向量化作 pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html 一、持久化 和sklearn中的持久化一样，保存一个模型或者特有的数据为pkl数据。但是tensor在加载数据的时候还可以把g 阅读全文
摘要：
0402-Tensor和Numpy的区别 pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html 由于tensor和ndarray具有很高的相似性，并且两者相互转化需要的开销很小。但是由于ndarray出现时间较早，相比较t 阅读全文
摘要：
0602-nn.Module pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html 一、nn.Module torch.nn 的核心数据结构就是 Module，它可以看做是某一层，也可以看做是整个神经网络。最常见的做法就是 阅读全文
摘要：
0403-Tensor内部存储结构 pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html 一、Tensor内部存储结构 tensor的数据存储结构如上图所示，它分为信息区（Tensor）和存储区（Storage），信息区主 阅读全文
摘要：
0503-autograd实战之线性回归 pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html 一、用 variable 实现线性回归（autograd 实战） import torch as t from torch.a 阅读全文
摘要：
0502-计算图 pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html 一、手动计算梯度 torch 的 autograd 的底层采用了计算图，它是一种特殊的有向无环图，记录算子和变量的关系，如下图所示： 其中 MUL 和 阅读全文
摘要：
这篇文章的内容到这里就差不多了，这次以基础的内容为主，简单的梳理一下，首先我们上次知道了构建神经网络的两个步骤：搭建子模块和拼接子模块。而这次就是学习各个子模块的使用。从比较重要的卷积层开始，学习了1d 2d 3d 卷积到底在干什么事情，采用了动图的方式进行演示，卷积运算其实就是通过不同的卷积核去提取不同的特征。然后学习了 Pytorch 的二维卷积运算及转置卷积运算，并进行了对比和分析了代码上如何实现卷积操作。
第二块是池化运算和池化层的学习，关于池化，一般和卷积一块使用，目的是收集和合并卷积提取的特征，去除一些冗余，分为最大池化和平均池化。然后学习了全连接层，这个比较简单，不用多说，最后是非线性激活函数，比较常用的 sigmoid，tanh, relu等。
今天的内容就到这里，模型模块基本上到这里也差不多了，根据我们的那个步骤：数据模块 -> 模型模块 -> 损失函数 -> 优化器 -> 迭代训练。所以下一次开始学习损失函数模块，但是在学习损失函数之前，还得先看一下常用的权重初始化方法，这个对于模型来说也是非常重要的。所以下一次整理权值初始化和损失函数。 阅读全文
摘要：
上面笼统的介绍了如何利用 nn 这个工具箱去搭建一个神经网络，但是只给出了一个流程，很多细节我们还没有详细解释，但这已经足够了。
下一篇文章我们就将详细介绍 nn 工具箱的各种细节方面的东西，等你看完下一篇文章如果再跳回来看这篇文章，相信定会有醍醐灌顶之效。 阅读全文
摘要：
本篇文章介绍了 torch 的一个核心——autograd，其中 autograd 中的 variable 和 Tensor 都属于 torch 中的基础数据结构，variable 封装了 Tensor ，拥有着和 Tensor 几乎一样的接口，并且提供了自动求导技术。autograd 是 torch 的自动微分引擎，采用动态计算图的技术，可以更高效的计算导数。
这篇文章说实话是有点偏难的，可以多看几遍，尤其是对于还没有写过实际项目的小白，不过相信有前面几个小项目练手，以及最后一个线性回归的小 demo，相信你差也不差的能看懂，但这都不要紧，在未来的项目实战中，你将会对 autograd 的体会越来越深刻。 阅读全文