一.PyTorch简介与环境配置

 PyTorch是一个开源的Python机器学习库，是一个相当简洁且高效快速的框架，是Torch在Python上的衍生。

 因为Torch是一个使用Lua语言的神经网络库,Torch很好用,但是 Lua 又不是特别流行,所以开发团队将Lua的Torch移植到了更流行的语言——Python上。PyTorch一发布就引起了剧烈的反响。

 下载网址：https://pytorch.org/。

Anaconda是由Continuum Analytics开发的一款集成了Conda、Python以及一大堆安装好的工具包的开源软件。

 其中Conda是一个包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换。

 下载网址：https://www.anaconda.com/。

 GPU（可选）：一张高性能NVIDIA显卡。

  具体安装教程可以参考B站up：我是土堆 的视频BV1hE411t7RN。

 IDE推荐：PyCharm

 自带汉化包插件

  可更换Python解释器，这里要选择第二行的Anaconda自带的Python（在这个Python环境中安装了Pytorch框架）。

可编辑文件，也可在Python控制台实现交互式编辑

在下面菜单栏的Python Packages中可以查看本解释器已安装的第三方包。

二.PyTorch学习

（一）Torch与Numpy

 Torch 自称为神经网络界的 Numpy, 因为他能将 Torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算。

 所以神经网络的话, 当然是用 Torch 的 tensor 形式数据最好。

（二）张量tensor

  张量tensor分为0维、1维、2维和多维。

  0维张量就是标量。

  1维张量就是数组。

  2维张量就是矩阵。

（三）Torch 中的数学运算

  Torch和Numpy中的很多方法大同小异。

（四）矩阵运算

除了简单的计算, 矩阵运算才是神经网络中最重要的部分。

tensor.dot()是把两个张量的每一对元素都分别对应相乘再相加。

  最后结果应该是30.0

（五）利用PyTorch简单地实现几种激活函数

（六）建造第一个神经网络——关系拟合 (回归)

  如何在数据当中找到他们的关系, 然后用神经网络模型来建立一个可以代表他们关系的线条。

torch.unsqueeze(input, dim, out=None)：起升维的作用,参数dim表示在哪个地方加一个维度，dim范围在:[-input.dim() - 1, input.dim() + 1]之间。比如输入input是一维，则dim=0时数据为行方向扩，dim=1时为列方向扩，再大会出现错误。

 tensor.size(x)用于返回tensor第 x 维的长度，不放参数即返回tensor的形状（同tensor.shape）。

 torch.rand(x.size()) →随机生成一个与x形状相同的矩阵，取值在(0,1)区间。

 1.首先，我们创建一些假数据来模拟真实的情况. 比如一个一元二次函数: y = a * x^2 + b, 我们给 y 数据加上一点噪声来更加真实的展示它（如果不加噪声，得到的y仅仅是一条x平方的曲线，而不是一些需要拟合的点）

 2.然后，我们建立一个神经网络，这里可以直接运用 torch 中的体系。先定义所有的层属性(init()), 然后再一层层搭建(forward(x))层与层的关系链接。

多少个输入，多少个隐藏层神经元，多少个输出

  self.hidden(x) → 使用隐藏层加工一下x，x作为输入经过隐藏层，得到输出为n_hidden。

  F.relu() → 用relu激励函数激励n_hidden。

  上页搭建的神经网络的结构如下：

 3.接下来，我们开始训练搭建好的神经网络。

  损失函数的实例化：

损失函数输入是一个输入的pair(对)：(output, target)，然后计算出一个数值来评估output和target之间的差距大小；

 其中output代表的是神经网络评估出来的输出值yk，>target代表(有监督训练的，真实的)标签tk。

 torch.nn中有若干个不同的损失函数可供使用，比如nn.MSELoss就是通过计算均方损失来评估输入和目标值之间从差距【越小越好】