pytorch笔记
optimizer.zero_grad()
将梯度变为0，用于每个batch最开始，因为梯度在不同batch之间不是累加的，所以必须在每个batch开始的时候初始化累计梯度，重置为0.
for epoch in range(num_epoches):# 每个epoch
for inputs,labels in dataloader:# 每个batch
optimizer.zero_grad()# 初始化梯度
outputs = model(inputs)# 正向
_,pred = torch.max(outputs,1)
loss = criterion(inputs,pred)# 计算loss
#...
loss.backward() # 反向
optimizer.step()# 更新权重torch.max()
在某个dim上返回最大的值以及在该dim上的索引，所以是返回两个值。
max(input, dim, keepdim=False, out=None)
>>> import torch
>>> a = torch.randn(3,3)
>>> print(torch.max(a,1))
(tensor([1.0404, 1.8460, 0.5961]), tensor([2, 1, 0]))
model(x)输出的是概率，要获得类别必须通过torch.max来获得，但是我们求loss的时候还是求网络输出概率与label的loss，因为我们的label是被one-hot编码的，所以这两者的loss才是有效的，因为交叉熵衡量的是两个概率分布之间的相似度。
optimizer.step() 以及 scheduler.step()
optimizer.step()用在每个batch内，当一个batch的数据计算完之后，通过optimizer.step()函数来完成权重的更新，而scheduler.step()用在每个epoch内，当一个epoch的数据运算完之后，调用一下这个函数，以此来决策是否更新我们的learning_rate超参等。
exp_lr_scheduler = lr_scheduler.StepLR(optimizer_ft, step_size=7, gamma=0.1)
# 每隔step_size个epoch learning_rate变为原来的0.1
# 然后在一个epoch之后执行
exp_lr_scheduler.step()