1 使用Colab

Colab中可以直接打入程序的部分称为code block。直接打入的程序用python来诠释。打上！则以shell script来修饰。cd前要加%

from google.colab import drive # Import a library named google.colab
drive.mount('/content/drive', force_remount=True) # mount the content to the directory `/content/drive`
from google.colab import drive
drive.mount('/content/drive')

会出现MyDrive的云端存储，加载的照片等不会消失。

2 连接GPU

change runtime type选择GPU

右上角代表连接好GPU了

3 tensor

1.如何产生tensor：
2.拿掉一个tensor:

3.加上一个维度：

4.维度对调

5.拼接

6.加减乘除操作


7.选择运行的设备，用torch.cuda.is_available()看是否有空闲的显卡。

4 计算梯度

requires_grad : bool值，若真表示可以进行对该值求导，否则不能；意思差不多是能不能把设置的值当变量来看。
以下面为例：

存的结果会放在x上面

5 读取data，使用torch.utils.data里面的Dataset和DataLoader

Dataset：读数据，一次返回一行数据，返回数据的size

Dataloader：shuffle把每次读data数据是乱的，train的时候要乱，test的时候不要乱，从dataset里一次回传多个data组成一个mini-batch:

6 网络构造

6.1 结构

6.2 Linear

可以通过linear更换神经网络的维度

6.3 定义一个自己的model

sequential依次的放入自己需要的layer

init定义网络结构
forward是给定x算output的

6.4 定义自己的loss

6.5 optimizer

算gradient descent
要把model.parameters丢进去才能更新model

6.6 神经网络构建流程

6.6.1 前期设置

构建：
读数据
把数据放入DataLoader

6.6.2 train设置

把mode设成train才能更新参数:model.train()
每次迭代要把之前的gradiant设置为0:optimizer.zero_grad()
把数据放到GPU上面去:x,y=x.to(device),y.to(device)
计算输出:pred=model(x)
计算loss:loss=criterion(pred,y)
算出gradient:loss.backward()
算出来之后还没更新model，需要及时更新:optimizer.step()

6.6.3 valid设置

不希望在valid阶段算gradiant，不需要更新模型了:with torch.no_grad()

6.6.4 test 设置

6.6.5 存起来

最后把model给存起来

7 参考资料

ML2021 Pytorch tutorial part 1