PyTorch生成式人工智能（5）——分类任务详解

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。