项目推进中期，重新到头来学Pytorch。five落泪了。(╬▔皿▔)凸
笑死，憋不住了，边更边学。
整篇博客整体采用总分总形式。首先将介绍内容（加黑部分）之间关系进行概括，后拆解，最后以图总结。
全文参考链接：学习 PyTorch (apachecn.org)
分类器 对样本进行分类的方法的统称，包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。
分类器训练流程如下
神经网络 相关具体知识在此不作赘述。以下链接、推荐供大概了解。博客用到的相关知识会再做解释。
大部分神经网络可分类作前馈网络，仅做正向传播，数据仅从输入经处理到输出。但也可以使用反向传播来训练模型，以达到调整模型参数的目的。
神经网络的模型参数含权重、阈值、损失/loss等。
神经网络一般训练过程如下
参考链接：什么是神经网络？ - 中国 | IBM
参考书：西瓜书
Pytorch 一个python语言的科学计算/深度学习框架，可用于搭建神经网络。
import torch
基础知识——Tensor 一个类似numpy的ndarray，且可以在GPU上运行的lib。
在Pytorch框架中，神经网络的输入、输出及参数都用Tensor来描述。
在通过下列引用后，
import torch import numpy as np
可实现操作包含但不限于
- （随机）创建Tensor
- 构建全0矩阵/指定数据的矩阵
- 重载已有的Tensor
- 获取Tensor的shape/Data type/存储的device
- 运算
- 索引某个值
- 改变Tensor的shape
- torch、numpy之间转换
加载数据
其中可调用子类化后的自己的BasicDataset，实例化，用BasicDataset的方法len()查看数据集大小。
图片来自链接：Pytorch-UNet-master>utils>data_loading.py - 麋鹿咖啡魔法师 - 博客园 (cnblogs.com)
定义神经网络
用torch.nn来构建神经网络。其中nn.Module包含各层，以及返回output的方法forward(input)。
torch.autograd为torch.nn提供支持，以定义模型并对其进行微分。
import torch import torch.nn as nn import torch.nn.functional as F
定义损失函数 --> 计算损失
将梯度反向传播给网络参数
更新权重
标签：复习,nn,torch,基础,神经网络,Pytorch,import,Tensor From： https://www.cnblogs.com/DariaJin/p/16840861.html