第二章 PyTorch 核心模块
在第一章中，对PyTorch框架进行了全面的介绍，从它的起源、特性到安装和基本使用。现在，我们已经为深入探索PyTorch的核心模块做好了准备。第二章将带领读者深入了解PyTorch核心——它的数据结构、自动求导机制以及如何构建和训练神经网络模型。
本章内容预告
2.1 PyTorch 模块结构
首先，我们将探索PyTorch的模块结构，了解其代码的组织方式和各个模块的功能。这不仅有助于我们更好地理解PyTorch的工作原理，还能帮助我们在后续的开发中快速定位和使用所需的功能。
2.2 新冠肺炎X光分类
通过一个与现实世界紧密相关的案例——新冠肺炎X光分类，我们将介绍PyTorch在实际深度学习项目中的应用。本小节将通过一个具体的项目流程，展示如何使用PyTorch构建数据加载、模型训练和评估的完整工作流。
2.3 核心数据结构——Tensor
Tensor作为PyTorch中的核心数据结构，是理解和使用PyTorch的关键。本小节将详细介绍Tensor的概念、属性和操作。
2.4 张量的相关函数
在对Tensor有了基本了解之后，我们将学习张量的各种相关函数，包括它们的数学操作、随机采样、序列化等。这些函数是构建和操作神经网络模型的必备工具。
2.5 自动求导核心——计算图
自动求导是深度学习框架的精髓。本小节将介绍计算图的概念，它是自动求导系统的基石。通过计算图，我们将能够理解如何自动地计算神经网络中的梯度。
2.6 Autograd——自动微分
最后，我们将深入探讨Autograd模块，它是PyTorch自动求导机制的实现。通过本小节的学习，我们将掌握如何利用Autograd进行复杂的梯度计算，从而优化神经网络模型。