Pytorch学习总结

Pytorch作为深度学习的框架之一，提供了许多模型，如CNN、RNN、LSTM等。它通过将模型封装，简化了用户操作，极大的方便用户。通过学习《PyTorch深度学习》和PyTorch文档，我将学到的知识进行总结。
对于实际问题，我们需要数据、模型、以及其他辅助函数进行解决。我下面主要从这三个方面总结所学的知识。

数据处理

在介绍数据处理前，我们需要知道PyTorch所能处理的数据对象。
1.Tensor
为了提高运算速度，PyTorch和numpy一样，提供了一种抽象的数据类型：Tensor。该数据抽象提供了GPU和CPU的简易切换。它是一种包含单一数据类型元素的多维矩阵。
1.1Tensor数据类型
在cpu上定义了其中张量类型，分别是torch.FloatTensor、torch.DoubleTensor 、torch.IntTensor、torch.ShortTensor、torch.LongTensor、torch.ByteTensor、torch.CharTensor 。PyTorch默认的是torch.FloatTensor。
1.2Tensor创建与生成

example1=torch.Tensor([[1,2,3],[4,5,6]]) #float型的二维向量
example2=torch.rand((2,5)) #2行5列的矩阵
example3=torch.range(start=1, end=4, step=1) #output=[1,2,3]
example4=torch.arange(start=1, end=4, step=1) #output=[1,2,3,4]
example5=torch.from_numpy(numpy_data) #将numpy数据类型转换为Tensor
example6=torch.eye(3) #生成一个3*3的单位阵

上面是一些简单的张量的生成，对于图片，文字等复杂的数据类型又如何进行张量转换？

from torchvision import datasets,transforms
import torch.utils.data as data

transformation=transforms.Compose([transforms.Resize((224,224)),transforms.ToTensor(), transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])])
train=datasets.MNIST('data/',train=True,transform=transformation,download=True)
train_loader=data.DataLoader(train,batch_size=32,shuffle=True)
#train_loader可以通过train_loader.dataset访问数据。该张量共有4维，第一维表示样本序号。第二维表示图片数据或标记，第三四维表示图片的宽和高（这是train数据的各个维度的含义）。DataLoader只是使该数据可以进行批处理。

上面这个代码处理PyTorch自带的数据集，对于自己下面这种形式的数据可以用以下代码处理。
数据文件夹形式：

#root/dog/001.png
#root/dog/010.png
#root/dog/011.png
#root/cat/001.png
#root/cat/010.png
#root/cat/011.png
from torchvision import datasets

transformation=transforms.Compose([transforms.Resize((224,224)),transforms.ToTensor(), transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225]