PyTorch的结构是怎样的呢

PyTorch的结构是怎样的呢，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。

PyTorch中常用的模块的结构如下：

1、torchvision包：
① datasets：datasets中包含常用的数据集，例如MNIST，CIFA等；
② models：models中包含一些经典的已经训练好的模型，例如VGG16，VGG19、ResNet等，这些模型主要是用来进行迁移学习的。关于迁移学习，我们将在后续章节中进行介绍。
③ transforms：把数据集中的内容转化成tensor。

2、torch包中主要包括四块：
① autograd包。里面有用来定义PyTorch变量的Variable。
② nn (neural network)包。nn包中包含的内容最丰富：损失函数 (MSELoss, crossEntropyLoss等)， functional (一般用F表示，包含各种激活函数、池化相关函数、正则化相关函数等)，网络层的函数 (线性层/全连接层Linear, 卷积函数Conv2d等)。其中需要注意的是，卷积和池化是在一起使用的，但是却在不同的包里。原因是：PyTorch把需要训练参数的内容都放在网络层，把不需要训练参数的工具函数都放到了functional中。神经网络中的参数w、b和卷积参数都在网络层中，我们要训练的就是这些参数。而无论是激活函数，还是池化 (池化的卷积核大小、步长等可以计算出来)、dropout等都可以没有参数。nn包还有一个Module模块，这个模块中包含了parameters()、train()和eval()等方法。parameters()方法可以直接获取到要训练的所有参数。这些参数必须是在__init__()中用self.conv1，self.fc1等指定的。如果在神经网络模型中使用了dropout，则在训练的时候会随机丢弃掉部分神经元，这就要在训练时用train()方法指定是训练时的神经网络。对应的，如果是已经训练好的神经网络的预测，则要用eval()方法指定是测试用的神经网络。最神奇的是forward()方法，模型的前向传播必须调用forward()，甚至可以不用forward这个名字，直接可以调用，例如：model(input)，反向传播的过程其实就是对forward()方法中的函数进行反向求导。
③ optim包。里面有梯度下降相关的函数，例如SGD、Adam等。(Momentum作为一个参数被包含在SGD中了)。还有梯度清零 (zero_grad)、进行一次优化 (step) 等函数。
④ torch模块下属有众多处理tensor的方法。
根据上述内容，我们至少可以实现全连接的神经网络、卷积神经网络以及迁移学习了，是不是很期待实现这些功能？下面我们就开始从PyTorch的基本数据类型、基本操作开始讲解。

看完上述内容，你们掌握PyTorch的结构是怎样的呢的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注行业资讯频道，感谢各位的阅读！