autograd – 自动求导系统
torch.autograd
autograd
torch.autograd.backward
功能：自动求取梯度
- tensor：用于求导的张量，如loss
- retain_graph：保存计算图
- create_graph：创建导数计算图，用于高阶求导
- grad_tensors：多梯度权重
torch.autograd.grad
功能：求取梯度
- outputs：用于求导的张量，如loss
- inputs：需要梯度的张量
- create_graph：创建导数计算图，用于高阶求导
- retain_graph：保存计算图
- grad_outputs：多梯度权重
autograd小贴士
- 梯度不自动清零
- 依赖于叶子结点的结点，requires_grad 默认为为 True
- 叶子结点不可执行 in-place
逻辑回归
Logistic Regression
基本概念
逻辑回归是线性的二分类模型
线性回归与逻辑回归的区别
线性回归是分析自变量x与因变量y（标量）之间关系的方法
逻辑回归是分析自变量x与因变量y（概率）之间关系的方法
机器学习模型训练步骤
PyTorch 构建模型需要 5 大步骤：
- 数据：包括数据读取，数据清洗，进行数据划分和数据预处理，比如读取图片如何预处理及数据增强。
- 模型：包括构建模型模块，组织复杂网络，初始化网络参数，定义网络层。
- 损失函数：包括创建损失函数，设置损失函数超参数，根据不同任务选择合适的损失函数。
- 优化器：包括根据梯度使用某种优化器更新参数，管理模型参数，管理多个参数组实现不同学习率，调整学习率。
- 迭代训练：组织上面 4 个模块进行反复训练。包括观察训练效果，绘制 Loss/ Accuracy 曲线，用 TensorBoard 进行可视化分析。
参考链接
PyTorch 学习笔记
