Pytorch里面某些包的用法

torch.utils.data.DataLoader

主要用于数据读取的一个接口，一般在Pytorch中训练模型时用到，详细见torch.utils.data — PyTorch master documentation

DataLoader(dataset,batch_size=1,shuffle=False,sampler=None,batch_sampler=None,num_workers=0,collate_fn=None,pin_memory=False,drop_last=False,timeout=0,worker_init_fn=None)

dataset是这个主要的组成部分，表示数据加载的对象

batch_size表示每次加载多少个样本，默认为1

shuffle表示是否打乱顺序，默认为否

drop_last=False表示不舍去所有数据量除以每批次个数多余的部分

后面的几个参数没用过，看不懂

torch.nn.Sequential（）

表示一种容器，主要用于神经网络模块，保证网络的流动顺序，自带forward方法

torch.nn.ModuleDict()

nn.ModuleDict同样也是一种容器 

name=nn.ModuleDict({ 可供选择的网络/可供选择的激活函数})对应的forward：x=self.name[选择的序号](x)

class Modeldict(nn.Module):

def __init__(self):

super(Modeldict,self).__init__()

self.choices = nn.ModuleDict({

"conv1": nn.Conv2d(10,10,3),

"pool": nn.MaxPool2d(3) })

self.activations = nn.ModuleDict({

"relu": nn.ReLU(),

"prelu": nn.PReLU() })

def forward(self,x,choice,act):

x = self.choices[choice](x)

x = self.activations[act](x) return x

#input = img

model = Modeldict()

out = model(input,"pool","prelu")

优化函数Adam自适应优化算法，

torch.optim.Adam(model.parameters()) 需要对Model中所有生成的参数进行优化