Preface

深度学习最初在2010年代出现，最初出现在CV领域，开始被应用于医学图像分析任务。
深度学习代表了一种全新的软件编写方式：一种新的多用途算法，可以学习如何通过观察数据来解决复杂的任务。

chapter 1 Introducing deep learning and the pytorch library

深度学习的前一阶段，机器学习依赖于特征工程，即是对输入数据的转换使其帮助下游算法。深度学习是从raw data中自动生成这样的表达。

Pytorch是帮助建造深度学习项目的库。tensor是与numpy数组相似的多维数组

用Dataset class将原始的数据转换成pytorch可以处理的标准的tensor形式
Dataloader class 并行加载数据，它的实例可以生成子进程，从后台的数据集中加载数据，以便准备好并等待进行训练循环。
评估模型在样本上的表现，用criterion或loss function对模型的结果和期望结果进行比较。
optimizer更新模型，使得模型得到的结果更靠近期望。

chapter 2

Pretrained ImageNet

chapter 3

tensor是指将向量和矩阵推广到任意维数，也称为多维数数组。tensor对比numpy，可以用GPU快速计算，分布式操作，跟踪计算图。
tensor to GPU

points_gpu = torch.tensor([[4.0, 1.0], [5.0, 3.0], [2.0, 1.0]], device='cuda')
points_gpu = points.to(device='cuda')
points_gpu = points.to(device='cuda:0')
points_gpu = points.cuda()
points_gpu = points.cuda(0)

Pytorch 用pickle来徐丽华tensor,然后储存

with open('../data/p1ch3/ourpoints.t','wb') as f:
torch.save(points, f)
with open('../data/p1ch3/ourpoints.t','rb') as f:
points = torch.load(f)

chapter 7

The Dataset class

需要实现两个函数：__ len__ 、__ getitem__

The DataLoader
帮忙整理和组织数据，具体是从dataset中采样batches，通常是在shuffle后进行均匀采样
DataLoader可以迭代，可以在train循环里面使用

chapter 8

training loop