基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

使用 PyTorch 进行模型训练 你可以观看下方视频或 YouTube 上的对应内容跟随学习。 引言 在之前的视频中，我们已经讨论并演示了： 使用 torch.nn 模块的神经网络层和函数构建模型 自动梯度计算的原理（这是基于梯度的模型训练的核心） 使用 TensorBoard 可视化训练进度和其他过程 在本视频中，我们将为你新增一些实用工具： 熟悉 Dataset 和 DataLoader 抽象类，以及它们如何简化训练循环中的数据喂入流程 讲解特定的损失函数及其适用场景 学习 PyTorch 优化器（Optimizer）—— 它们能根据损失函数的计算结果调整模型权重 最后，将所有这些组件整合，完整演示 PyTorch 训练循环的运行过程 Dataset 和 DataLoader Dataset 和 DataLoader 类封装了从存储介质读取数据，并以批次形式提供给训练循环的全过程： Dataset 负责读取和处理 单个数据样本 DataLoader 从 Dataset 中抽取样本（自动抽取或通过自定义采样器）、组合成批次，并返回给训练循环使用。 DataLoader 适用于所有类型的数据集，与数据类型无关 本教程中，我们将使用 TorchVision 提供的 Fashion-MNIST 数据集。通过 torchvision.transforms.Normalize() 实现图像数据的零均值化和归一化，并下载训练集和验证集。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。