使用Pytorch构建神经网络一般分为四个步骤：
- 数据构建与处理（Dataset）
- 构建神经网络和损失函数（nn.Module）
- 对参数进行优化（torch.optim）
- 模型的保存与加载
一、Tensor(张量)
Pytorch基本操作是OP，被操作的最基本对象是Tensor。Tensor表示一个多维矩阵。比如零位就是一个点，一维就是向量，二维就是矩阵，多维相当于一个多维的数组。这个numpy是对应的。而且Pytorch的Tensor可以和numpy的ndarray相互转换，唯一不同的是Pytorch可以在GPU上运行，而numpy的ndarray只能在CPU上运行。
Tensor与ndarray常用矩阵的构建方法：
二、Variable(变量)
Variable和Tensor本质上没有区别，不过Variable会被放进一个计算图中，然后进行前向传播、反向传播、自动求导。Variable实际上是在torch.autograd.Variable。包含三个组成属性：data,grad,grad_fn。通过data可以去除Variable里面的tensor数值，grad_fn表示的是得到这个Variable的操作，比如通过加减乘除来得到的。最后drad是这个Variabel的方向传播梯度。下图展示了Variable的结构图：
Variable自动求导例子：
使用Pytorch的自动求导功能，需要满足两个条件：
- y.requires_grad == True 且 x.requires_grad==True
- x到y的计算图不能再torch.no_grad()的with block下
两个条件都很容易满足，只要将x.requires_gradTrue，那么根据Pytorch的运算规则(OP的两个输入进行运算，只要有一个requires_gradTrue，那么输出结果Tensor的requires_grad一定为True)，得到的y的requires_grad也为True
（1）标量求导
import torch
from torch.autograd import Variable
#Create Variable
x = Variable(torch.Tensor([1]),requires_grad=True)
w = Variable(torch.Tensor([2]),requires_grad=True)
b = Variable(torch.Tensor([3]),requires_grad=True)
#Build a computational graph
y = w * x + b #y = 2 * x + 3
#Compute gradients
y.backward() # same as y.backward(torch.FloatTensor([1])
#Print out teh gradients
print(x.grad)
print(w.grad)
print(b.grad)
（2）矩阵求导
x = torch.randn(3)
x = Variable(x,requires_grad=True)
y = x * 2
print(y)
y.backward(torch.FloatTensor([1,0.1,0.01]))
print(x.grad)
这里对向量求导不能直接使用y.backward()，这样程序是会报错的。这个时候需要传入参数声明，比如y.backward(torch.FloatTensor([1,1,1]))，这样得到的结果就是它们每个分量的梯度，或者传入y.backward(torch.FloatTensor([1,0.1,0.1]))，这样得到的梯度就是他们原本的梯度分别乘以1，0.1和0.01。
三、Dataset(数据集)
在处理任何机器学习任务之前都需要数据读取，和数据预处理。PyTorch 提供了很多工具使得数据的读取和预处理变得很容易。
torch.utils.data.Dataset 是代表这一数据的抽象类，可以自己定义数据类继承和重写这个抽象类，只需要定义__len__和__getitem__这两个函数：
class myDataset(Dataset): #自己定义的类需要继承于torch.utils.data.Dataset
def __init__(self,csv_file,text_file,root_dir,other_file):
#initialize file path or list of file names
self.csv_data = pd.read_csv(csv_file)
with open(text_file,'r') as f:
data_list = f.readlines()
self.txt_data = data_list
self.root_dir = root_dir
def __len__(self):
#the total size of your dataset
return len(self.csv_data)
def __getitem__(self,idx):
#1.Read one data from file
#2.Preprocess the data
#3.Return a data pair
data = (self.csv_data[idx],self.txt_data[idx])
return data通过上面的方式，可以定义我们需要的数据类，可以通过迭代的方式来取得每一个数据， 但是这样很难实现取batch，shuffle或者是多线程去读取数据，所以PyTorch中提供了一个简单的办法来做这个事情，通过torch.utils.data.DataLoader来定yi义一个新的迭代器.如下：
dataiter = DataLoader(myDataset, batch_size=32, shuffle=True, collate_fn = default_collate)四、nn.Module(模组)
在PyTorch 里面编写神经网络，所有的层结构和损失函数都来自于torch.nn，所有的模型构建都是从这个基类nn.Module继承的，于是有了下面这个模板：
class net_name(nn.Module):
def __init__(self,other_arguments):
super(net_name,self).__init__()
self,conv1 = nn.Conv2d(in_channels,out_channels,kernel_size)
#other network layer
def forward(self,x):
x = self.conv1(x)
return x这样就建立了一个计算图，并且这个结构可以复用多次， 每次调用就相当于用该计算图定义的相同参数做一次前向传播，这得益于PyTorch的自动求导功能，所以不需要自己编写反向传播，而所有的网络层都是由nn这个包得到的，比如线性层nn.Linear。
定义完模型之后，计算损失函数。常见的损失函数都已经定义在了nn里，比如均方误差、多分类的交叉熵，以及二分类的交叉熵，等等，直接多起进行调用计算输出和真实目标之间的损失函数：
criterion = nn.CrossEntorpyLoss() #交叉熵损失
loss = criterion(output,target)五、torch.optim(优化)
参数优化过程是通过梯度下降法，更新参数使得损失函数得到最优解。torch。optim是一个实现各种优化算法的包。比如梯度下降、添加动量的随机梯度下降、自适应学习率等。
- 在优化之前需要先将梯度归零，optimizer.zeros()
- 然后通过loss.backward()反向传播，自动求导得到每个参数的梯度
- 最后只需要optimizer.step()就可以通过梯度做一步参数更新。
举个例子：
import torch.optim as optim
#create your optimizer
optimizer = optim.SGD(model.parameters(),lr=0.01,momentum=0.9)
#in your training loop:
for i in range(steps):
optimizer.zero_grad() #zero the gradient buffers 因为梯度是累加的，必须清理
output = model(input_data)
loss = criterion(output,target)
loss.backward()
optimizer.step() #Do the update六、模型的保存与加载
1、在Pytroch里面使用torch.save 来保存模型的结构和参数，save的第一个参数是保存对象，第二个参数是保存路径及名称。两种保存形式：
（1）保存整个模型的结构信息和参数信息，保存的对象是模型model
torch.save(model, './model.pth')（2）保存模型的参数，保存的对象是模型的状态model.state dict()
torch.save(model.state_dict(), './model_state.pth')2、加载模型有两种方式对应于保存模型的方式:
（1）加载完整的模型结构和参数信息，使用load model = torch.load('model.pth' ) ，在网络较大的时候加载的时间比较长，同时存储空间也比较大
（2）加载模型参数信息，需要先导人模型的结构，然后通过model.load_state_dic (torch.load('model state.pth')) 来导入。
参考文献：《深度学习之Pytorch》读书笔记
