Learn the Basics — PyTorch Tutorials 2.3.0+cu121 documentation （https://pytorch.org/tutorials/beginner/basics/intro.html）

人工智能入门：运用Pytorch演习分类器的过程_模子_权重 智能问答

之前有几篇文章都记录了我的想法，末了的问题是，如何理解演习的过程？

演习的代码

演习过程为：

建立一个循环，迭代数据加载器中的每个批次。
for batch, (X, y) in enumerate(dataloader)

利用模型来进行前向传播，得到预测值。
pred = model(X)利用供应的丢失函数，打算模型的预测值与真实标签之间的丢失。
loss = loss_fn(pred, y)实行反向传播，打算丢失函数对模型参数的梯度。
loss.backward()根据梯度更新模型参数，优化器会根据当前的参数和学习率来更新模型。
optimizer.step()清空梯度，以便下一个批次的打算。
optimizer.zero_grad()结果

经由5个Epoch的演习，丢失逐步降落：

Epoch 1的结果

Epoch 5的结果

演习的过程

模型的构造是这样的：

个中紧张的nn.Linear对输入数据进行线性变换，公式如下：

个中x是输入，A是权重（T代表矩阵的意思），b是偏置，y是输出，把稳这里的变量都是矩阵。

模型的演习过程是：

模型初始化时，所有的权重和偏置都随机初始化。
第一次送入64对数据（batch的大小）进入模型演习，通过前向与反向传播更新了权重和偏置。
然后清空之前打算的梯度，这是为了每个batch之间互不影响，把稳权重和偏置当然是不清空的。
第二次再送入64对数据进入模型演习，通过前向与反向传播更新了权重和偏置。
依次进行，直到所有的60000对数据全部送入演习过一次，即为一个epoch。

下一个epoch开始，保留过去得到的权重和偏置，再次重复每次送入64对数据的操作。