pytorch主要組成模塊分為
數(shù)據(jù)讀入，模型構(gòu)建，模型初始化，損失函數(shù)，優(yōu)化器，訓(xùn)練，評估，可視化等
數(shù)據(jù)讀入：分兩種，
一，pytorch自帶數(shù)據(jù)集
通過torchvision中的datasets來獲取
二，自定義方法
通過集成pytorch自帶的Dataset類和Dataloader來設(shè)立自己的數(shù)據(jù)集
Dataset中主要為__init__，__len__，__getitem__三個函數(shù)
__init__用于傳入外部參數(shù)，定義樣本集
__len__用過返回數(shù)據(jù)集的樣本個數(shù)
__getitem__用于逐個讀出樣本集合中的元素并最終返回訓(xùn)練和驗證所用的數(shù)據(jù)集
Dataloader用于按批次讀入數(shù)據(jù)
主要參數(shù)：batch_size（每批次的樣本數(shù)）
num_workers（多少個進(jìn)程）
shuffle（是否打亂）
drop_last（未滿批次數(shù)的樣本去除）
模型構(gòu)建主要依賴于pytorch中的nn.Module
集成nn.Module的類，在類中有__init__和forward函數(shù)
前者負(fù)責(zé)定義模型中的所有層，后者定義這些層如何向前傳播
初始化基于pytorch.nn.init
通常會自己去封裝一個initialize_weights函數(shù)來進(jìn)行初始化
大概：判斷是什么層，如何初始化
pytorch提供了很多種損失函數(shù)，種類太多日后再慢慢分析
訓(xùn)練和評估模型通過定義train和val函數(shù)來實(shí)現(xiàn)，
訓(xùn)練：送入數(shù)據(jù)，梯度置零，送入模型，計算損失函數(shù)，反向傳播，用優(yōu)化器更新參數(shù)
測試的不同點(diǎn)在于：
預(yù)先設(shè)置torch.no_grad，不需要把優(yōu)化器梯度置零，不需要反向傳播和更新參數(shù)
