每天給小編五分鐘，小編用自己的代碼，帶你輕鬆學習人工智能！本文將會帶你做完兩個深度學習練手項目，讓你快速熟練掌握深度學習框架pytorch！野蠻智能，小白也能看懂的人工智能。
如果你還沒有搭建好自己的深度學習框架，請參考小編的 ，用這份快速搭建的寶典完成框架搭建。下面進入實戰！
挑戰pytorch五大虎將
乾貨快遞點：
三秒鐘理解“張量”：pytorch中的數據表達形式是張量（Tensor），TensorFLow中也有這個概念就是Tensor，之所以用Tensor，是因為它的表現能力強大，不論多麼複雜的數據都能通過它表示出來。本質上來說，張量就是座標超過兩維的數組。例如，股票的漲跌有一百個影響因素，那一組股票數據就有一百個維度，那這樣的多組數據就是一個張量。
pytorch中有以下類型的張量：
32位浮點型定義方法為：torch.FloatTensor()
64位浮點型定義方法為：torch.DoubleTensor()
16位整形定義方法為：torch.IntTensor()
32位整形定義方法為：torch.ShortTensor()
64位整形定義方法為：torch.LongTensor()
“()”內是你要定義的數據。下面進入代碼實戰。
代碼配送站：
這裡小編定義了FloatTensor類型的張量，在“()”內存儲了一個二維數組，然後將他進行輸出。也可以表示更高維的，只需要多加入一個“[]”，每一層中括號，就表示多一個維度。代碼如下：
注意，這裡的"()"是沒有含義的，“()”裡的“[]”才是表示數，一層中括號表示向量，兩層匯中括號表示矩陣，三層和更多的中括號表示更高維度的數組。大家可以自己再練習著把五種類型的張量都定義一邊並進行輸出。
征戰pytorch變量求導
乾貨快遞點：
深度學習本質上是一個優化系統，想要優化就要找到最低（高）點，就必須要對參數進行求導。pytorch的優點之一就是張量的自動求導功能，一個張量如果變成一個變量，就可以在計算圖中讓這個變量自動求導，我們只需要取出這個導數對它進行優化即可。把一個張量變為一個變量的方法就是Variable(這個tensor)，把一個張量傳入這個函數就會被變成變量了，就可以自動求導了。
代碼配送站：
不過這裡需要注意四點：
- 在使用Variable之前需要先導入這個函數，這個函數在torch.autograd模塊裡。
- 在進行Variable操作時，需要指定是否需要求導，grad是求導的意思。這裡我們傳入True。
- backward內需要傳入參數，第一個數會與數組的第一行相乘，第二個數乘以第二行，以此類推。
- 如果想要令導數直接是原導數，只需要在backward參數內只輸入一個1即可。如圖：
一組代碼，讓你的數據集被完美處理
乾貨快遞點：
如果說計算機語言分為面向對象和麵向過程。那深度學習一定是面向數據，深度學習歸根結底是從數據中找到規律，所以需要對數據進行操作。那麼就需要你能夠熟練處理你的數據集。關於數據集的模塊，在torch.utils.data中有一個類是Dataset。重寫這個類，就可以定義我們自己的數據類，進而用我們的數據類處理我們的數據。
代碼配送站：
這組代碼略微複雜一些，這裡進行詳細的講解：
- 導入Dataset類，這個類在torch.utils.data內。使用from......import......導入。
- 重寫Dataset類，就需要命名一個新的類，並把原來的Dataset類傳入括號內，聲明繼承關係。
- 重寫Dataset類，就必須要重寫len()和getitem()函數，這個函數我們設置的是可以讀取txt文本。所以都是對txt文本的操作。
- 最後在主函數中進行測試，把數據集和路徑傳入我們的類中，新建對象，然後進行輸出，就可以看到數據集中的結果。
- 這裡的數據集是小編自己寫的，是為了演示方便而寫的，如果大家想跑這段代碼，可以自己隨便寫一個文本。
pytorch中的神經網絡
乾貨快遞點：
pytorch中有一個模組，叫做nn.Module()，其中nn指的是neaural network，沒錯就是神經網絡的意思。凡是跟神經網絡有關的函數都在這裡，神經網絡的威力強大，相信大家都有所耳聞，尤其是深度神經網絡（深度學習）。如果不瞭解，在小編別的文章裡有詳細的講解。下面我們通過這個模塊來實現一個簡單的神經網絡。
代碼配送站：
由於直接建立一個完整的神經網絡略為複雜，代碼量比較大一些。我會在下篇文章裡專門進行分析，併為大家能構建一個神經網絡。這裡只簡單的講解神經網絡最核心的部分，大家可以先練習。
- 這段代碼跟上一段代碼一樣，重寫了nn.Module這個類。nn_net是類名。
- super是進行初始化的，聲明這裡是重寫父類方法，而不是覆蓋父類方法。因為我們還要使用父類的方法，所以這裡不進行覆蓋。
- 這裡的第5行代碼通過self.Conv2d實現了一個二維的卷積層。
- 最後幾行定義了一個前向傳播函數。
本文先到這裡，下一篇文章繼續帶大家向深度學習前進！野蠻智能，小白也能看懂的人工智能！有什麼問題可以在評論區留言！小編看到就會回。
閱讀更多 野蠻智能 的文章
