PyTorch生成式人工智能（5）——分类任务详解
-
- 0. 前言
- 1. 使用 PyTorch 进行端到端的深度学习
-
- 1.1 PyTorch 深度神经网络训练流程
- 1.2 数据预处理
- 2. 二分类
-
- 2.1 创建数据批次
- 2.2 模型构建与训练
- 2.3 模型测试
- 3. 多类别分类
-
- 3.1 验证集和提前停止
- 3.2 模型构建与训练
- 小结
- 系列链接
0. 前言
在本节中，我们将介绍神经网络的基本概念，包括损失函数、激活函数、优化器和学习率，这些对于构建和训练深度神经网络至关重要，如果想要深入理解这些知识，推荐通过《PyTorch深度学习实战》了解所需的基本技能和概念，包括多种人工神经网络的架构和训练。 在本节中，将学习如何使用 PyTorch 创建深度神经网络来执行二分类和多类别分类任务，以便熟练掌握深度学习和分类任务。具体而言，我们将构建一个完整的端到端深度学习项目，使用 PyTorch 将灰度图像的服装物品分类为不同类别，包括外套、包、运动鞋、衬衫等。目的是创建能够执行二分类和多类别分类任务的深度神经网络，为后续学习奠定基础。
1. 使用 PyTorch 进行端到端的深度学习
在本节中，我们首先介绍深度学习模型训练流程，然后讨论如何获取训练数据以及如何进行数据预处理。
1.1 PyTorch 深度神经网络训练流程
在本节中，我们的任务是创建并训练一个深度神经网络，用于对服装物品的灰度图像进行分类，模型构建与训练步骤如下图所示。
