pytorch_Deep Learning with PyTorch: A 60 Minute Blitz

命令附录：

1. torch.empty 没有初始化
2. torch.rand 随机初始化
3. torch.zeros 0初始化
4. torch.tensor 使用数据进行初始化
5. x.new_ones new_*可以指定size
6. torch.randn_like 使用既有的tensor进行初始化
7. x+y、torch.add(x, y)、torch.add(x, y, out=result)
8. y.add_(x) 原地加 命令后面带上“_”的都是原地操作。
9. torch.view 可以resize/reshape tensor
10. 参数为-1，是说该值可以从其他维度推算出来
11. tensor.item() 得到python的数值
12. tensor.numpy() 可以得到对应的numpy形式，注意共享内存
13. torch.from_numpy(a) a是是numpy类型，将numpy转化为tensor
14. device = torch.device(“cuda”) 返回一个CUDA device object
15. y = torch.ones_like(x, device=device) 直接创建一个GPU-Tensor
16. x = x.to(device) cpu-tensor转化为gpu-tensor
17. z.to(“cpu”, torch.double) to除了可以转换设备，也可以转换类型。

WHAT IS PYTORCH?

1. pytorch基于python，有两点优势：可以代替numpy使用GPU进行科学计算；是一个深度学习的研究平台，提供了最大的灵活性和速度。

GETTING STARTED

Tensors

1. torch.Size 是一个tuple。

Operations

1. 同一个操作可能有多个语法。
2. Numpy的索引操作都适用于Tensor。

NUMPY BRIDGE

1. Tensor可以与Numpy array轻易转换，但要注意两者共享内存，双向转换都是共享内存。
2. 除了char类型的tensor,cpu上的tensor都可以和numpy相互转化。根据这句话，我推断gpu上的tensor不可以。

CUDA TENSORS

1. 使用to,可以将tensor在设备之间进行转化。

AUTOGRAD: AUTOMATIC DIFFERENTIATION

autograd包提供自动微分。

TENSOR

1. 只要将tensor的属性.requires_grad设置为true，就可以追踪到在它上面执行的操作。
2. 完成前向计算后，执行.backward()，就可以自动计算梯度，然后梯度被保存在.grad属性中。
3. detach()解释1、detach()解释2 我理解就是新拷贝了一个tensor,并且该tensor不会影响到老的计算图的梯度计算。如果对它更改了数值，会报错。
4. torch.no_grad()的范围内，不会对requires_grad=True的tensor进行梯度计算。
5. Tensor和Function交互，并且组成了一个无环图。如果一个tensor是由function产生的，则它.grad_fn的属性就会指向这个function。用户自定义tensor的.grad_fn是None。
6. tensor是标量，则调用.backward()不需要参数，否则需要。

GRADIENTS

1. torch.autograd计算的是Jacobian-vector product。如果一个表达式的结果是向量，则梯度是Jacobian matrix，因此需要提供一个vector相乘，才能得到autograd的计算结果。

NEURAL NETWORKS

1. nn.Module包含layer,并且提供一个返回output的forward函数。

DEFINE THE NETWORK

1. init初始化各个layer。forward定义网路结构，将各层联结起来。无需backward。
2. torch.nn只支持mini-batche，不支持单个训练样本。
3. 每一个Function节点都连接着一个Function，并编码该Function创建的Tensor的历史。

LOSS FUNCTION

BACKPROP

1. 别忘了使用zero_grad清除梯度的历史累积量。

UPDATE THE WEIGHTS

1. 为了使用各种优化器，则使用optimizer.step()，对模型进行更新。
2. optimizer的初始化用到了net.parameters和learning rate。

TRAINING A CLASSIFIER

WHAT ABOUT DATA?

1. torchvision.datasets包提供公开数据集，torch.utils.data.DataLoader提供对数据的转换。
2. 本章教程的源代码比较多，可以参考，是规范的。但是我的学习笔记没有列出，没有必要，代码结构很清晰了。

TRAINING AN IMAGE CLASSIFIER

1. 加载、转换数据，划分训练集和测试集。
2. 定义CNN的网络结构。
3. 定义损失函数。
4. 使用训练集训练网络。
5. 使用测试集测试模型。

TRAINING ON GPU

1. 模型和数据都要使用to，从cpu迁移到gpu上。其中，数据要进行覆盖。

OPTIONAL: DATA PARALLELISM

1. pytorch默认值使用单个GPU。因此如果使用数据并行，需要对模型进行封装：model = nn.DataParallel(model)。

IMPORTS AND PARAMETERS

DUMMY DATASET

SIMPLE MODEL

CREATE MODEL AND DATAPARALLEL

RUN THE MODEL

RESULTS

SUMMARY