pytorch 基于pt进行推理 pytorch 推理框架

PyTorch学习

基本要求&与其他框架比较：

软件：具有dubg功能的IDE(如PyCharm、Eclipse)、Jupyter、anaconda、Pytorch

与PyTorch相比，Tensorflow的定义和规则比较多，并且在调试过程中不太方便。

框架学习方法

不拘泥于具体操作，在实际运用的过程中查找并使用

基本使用方法

创建一个矩阵

x = torch.empty(5,3); x =torch.rand(5.3);

可见，

pytorch框架 输出后的数据格式是tensor(张量)

TensorFlow框架 输出后的数据格式是ndarray展示矩阵大小 torch.size()

改变矩阵维度 view(维度)

Numpy(ndarry)和PyTorch(tensor)交互

autograd机制

为什么要用框架呢？因为自己编程太麻烦了，尤其是做反向传播的时候
在反向传播的时候，我们需要 对矩阵进行求导 这是费事费力的，如果框架帮我们做完了，我们就可以专心于模型的搭建了

requires_grad=True

注意：如果梯度不清零，梯度会进行累加的!!!

所以，我们在进行梯度计算的时候，基本流程是：

**清零->梯度计算->反向传播->清零**

例子

创建两个数组x和y：

建立一个模型：

制定超参数&损失函数

训练模型：

目标	注解	代码
数据格式转换	把输入的数据格式转化为tensor格式	torch.from_numpy(x_train)
梯度清零	避免梯度累加出现错误	.zero_grad()
前向传播	得到预测的数据
计算损失	即预测损失与标签之间的差距
反向传播	求梯度	loss.backward()
进行参数更新	自动根据学习率和梯度对参数进行更新	.step()
过程显示	要防止显卡爆炸	loss.item
预测
模型保存	模型保存完是一个字典类型(模型不仅仅是模型，	torch.save(model.state_dict(),‘model.pkl’)
模型读取	还有可能有模型损失、结果等等都可以放进去)	model.load_state_dict(torch.load(“model.pkl”))

目前最简洁的版本就做完了，有很多问题没有弄（比如我们这个代码里是一个batch就都跑完了，理论上应该是一个Batch一个Batch地跑_{），先不管，以后再学}现在我们对模型进行测试

测试就是把数据放进训练好的网络，得到的数据肯定还是要转化一下类型的~

模型的保存