这里汇总 PyTorch 的 Tensor、自动求导、数据管线、模型组织与训练评估基础。

快速入口

• Tensor：创建、索引、变形、广播和随机种子。
• Dataset：自定义数据集及文件夹、CSV 两种标注组织方式。
• Module 与容器：forward、Sequential、ModuleList 和 ModuleDict。
• 损失函数：L1Loss、CrossEntropyLoss 及其参数。
• 优化器：参数组、SGD 和学习率调整器。

Tensor 与自动求导

学习路径

1. 创建和操作 Tensor
2. 理解计算图与叶子结点
3. 使用 autograd 与 backward

数据管线

学习路径

1. 处理图像变换
2. 实现 Dataset
3. 按 batch 加载数据

模型构建与管理

• 常用网络层：卷积、池化、归一化、Dropout 和激活函数。
• Module 容器：按顺序、列表或字典组织子模块。
• Module APIs：设备迁移、参数保存加载与子模块查询。
• 模型保存、断点续训与微调：模型保存/加载、checkpoint 断点续训和微调。

训练与评估

学习路径

1. 根据任务选择损失函数
2. 计算梯度并更新参数
3. 用分类指标评估模型

相关笔记

• 机器学习与深度学习：机器学习、CNN、Attention 与 Transformer 基础。

贡献者

salt235

上一页cnn

下一页PyTorch 自动求导