pytorch的学习日记(一)

引言关于大量数据的预测需要通过AI中的黑箱来完成至于这个黑箱中的参数是怎么调的导致模型跑的通至今为止都没有搞明白我们只需要了解这个预测的流程即可。流程①数据预处理首先我们需要将一个数据集导入这个导入的数据集可能包含图片也可能包含矩阵数据我们需要做的是通过transform里的功能将图片的大小转化到统一的大小、将数据的大小等比例的缩小到0/(-1)~1[这一步叫归一化]、然后就是将数据类型统一进行转化为tensor型张量这样我们的解释器才能看懂。预处理完后我们最好将数据分为训练集和测试集方便后面的模型测试。②模型的创建说是创建实则是上网上“扒”模型例如CNN、RNN......,然后就是调节具体参数来实现自己的目的③训练过程中包含优化这也是一个固定化流程具体来说就是先计算函数预测值将预测值与真实值对比来计算均方误差损失函数然后通过反向传播、梯度下降算法来进行优化使loss最低。④test将之前分出来的测试集送入模型进行测试检测是否符合你的预想效果⑤可视化通过matplotlib的plt工具进行绘图使你的预测结果更加直观。细节讲解一、图像参数讲解我们拿到手的图片基本都是RGB图像也就是说这个图像的每个像素点都有三个通道即R(红)、G(绿)、B(蓝)每个通道颜色的亮度范围都是(0~255)这样进行一个简单的计算每个像素点都可以表示出约1600万种颜色我们对图像进行转换主要就是进行一个特征提取将三通道的图像转换为16、64甚至更多通道来细化特征以至于实现预测功能。二、数据参数讲解我们拿到手的数据是矩阵类型的eg.[ [246],[333],[1][2],[50] , [100] ],我们进行同比例缩小使每一个数都尽量处于(0~1),可以使数与概率值一一对应更加方便。