从上面可以看到一个典型的训练过程：处理数据+前向模型+后向传播优化+打印结果
import torch a=torch.tensor([0]) print(a.item()) 输出： 0
只针对单个的数
import torch a=torch.tensor([0,1]) print(a.item()) 输出： Traceback (most recent call last): print(a.item()) ValueError: only one element tensors can be converted to Python scalars
https://pytorch.org/tutorials/beginner/saving_loading_models.html
//发现自己对保存模型还不太理解，就谷歌了一下，直接找到了官方教程，比百度好太多了，搜索一定要用谷歌啊！！能发现很多宝藏。
在进行推测之前一定要调用model.eval()，为什么呢？为什么我看的这些基础教程都没有这个，没有model.train()和model.eval()。这个还是等我再深入学习了解吧。
‘optimizer_state_dict‘: optimizer.state_dict(),#contains buffers and parameters that are updated as the model trains.
它的状态参数包含缓冲区和模型训练的参数。
pytorch的网络函数中都会调用这个，作用是什么？
https://blog.csdn.net/shiheyingzhe/article/details/83051471
class Model(nn.Module): def __init__(self): super(Model, self).__init__() self.conv1 = nn.Conv2d(1, 20, 5) self.conv2 = nn.Conv2d(20, 20, 5)
其中的super类的作用是继承的时候，调用含super的各个的基类__init__函数，如果不使用super，就不会调用这些类的__init__函数，除非显式声明。而且使用super可以避免基类被重复调用。
使用 print(Model.__mro__)打印搜索顺序或者祖先树，被官方称为MRO即Method Resolution Order，
用法：
class C(B): def method(self, arg): super().method(arg) # This does the same thing as: # super(C, self).method(arg)
使用super子类调用基类的函数，可以实现不访问基类的类名，这样在改变继承关系的时候更加的简洁方便，不用修改子类函数体内容。
上面是对类中普通函数的例子。
class A(): def __init__(self): print(‘Call class A‘) super(A, self).__init__() print(‘Leave class A‘) class B(A): def __init__(self): print(‘Call class B‘) super(B,self).__init__() print(‘Leave class B‘) class C(A): def __init__(self): print(‘Call class C‘) super(C,self).__init__() print(‘Leave class C‘) class D(A): def __init__(self): print(‘Call class D‘) super(D, self).__init__() print(‘Leave class D‘) class E(B,C,D): def __init__(self): print(‘Call class E‘) super(E, self).__init__() print(‘Leave class E‘) sample=E() print(E.__mro__) #输出： Call class E Call class B Call class C Call class D Call class A Leave class A Leave class D Leave class C Leave class B Leave class E (<class ‘__main__.E‘>, <class ‘__main__.B‘>, <class ‘__main__.C‘>, <class ‘__main__.D‘>
, <class ‘__main__.A‘>, <class ‘object‘>)
这个我能够理解输出结果，但是它的上一个例子我就不能理解，为什么是这个样子：
class A(): def __init__(self): print(‘Call class A‘) print(‘Leave class A‘) class B(A): def __init__(self): print(‘Call class B‘) print(‘Leave class B‘) class C(A): def __init__(self): print(‘Call class C‘) super(C,self).__init__() print(‘Leave class C‘) class D(A): def __init__(self): print(‘Call class D‘) super(D, self).__init__() print(‘Leave class D‘) class E(B,C,D): def __init__(self): print(‘Call class E‘) B.__init__() C.__init__() D.__init__() print(‘Leave class E‘) sample=E() print(E.__mro__) #输出 Call class E Call class B Leave class B Call class C Call class D Call class A Leave class A Leave class D Leave class C Call class D Call class A Leave class A Leave class D Leave class E (<class ‘__main__.E‘>, <class ‘__main__.B‘>, <class ‘__main__.C‘>, <class ‘__main__.D‘>,
<class ‘__main__.A‘>, <class ‘object‘>)
为什么这里D会被调用呢？C和D是兄弟关系。这里还是不明白，保留疑问。。
反正super就是可以用来调用基函数，保证不重复调用之类的（在多重继承时体现）。
https://zhuanlan.zhihu.com/p/29763421
明白了一点，下面是nn.Model的初始化方法，继承它的子类通过super运行这个函数，去给这些属性在父类中统一定义，而不用在子类中再写了。
https://pytorch.org/docs/stable/nn.html
参数是特征数。
其中γ默认为1，β默认为0，并且x是特征，不是样本。。从下面的例子中可以看出：
import torch.nn as nn import torch m = nn.BatchNorm1d(3) input = torch.randn(2, 3) output = m(input) #输出 >>> output tensor([[-0.9762, 0.3067, -0.5193], [ 0.9762, -0.3067, 0.5193]], grad_fn=<NativeBatchNormBackward>)
原文：https://www.cnblogs.com/BlueBlueSea/p/12287967.html