Deep-Learning-with-PyTorch-3.0从张

3.0 简介

在上一章中，我们浏览了深度学习支持的许多应用程序。 它们总是以某种形式获取数据，例如图像或文本，并以另一种形式生成数据，例如标签，数字或更多图像或文本。 从这个角度来看，深度学习实际上包括构建一个可以将数据从一种表示转换为另一种表示的系统。 通过从演示所需映射的一系列示例中提取共性来驱动此转换。 例如，系统可能会记录狗的一般形状和金毛的典型颜色。 通过组合两个图像属性，系统可以将具有给定形状和颜色的图像正确地映射到金毛寻回标签，而不是黑色实验室（就此而言是黄褐色的雄猫）。 最终的系统可以消耗大量类似输入，并为这些输入产生有意义的输出。

该过程首先将我们的输入转换为浮点数。 我们将在第4章图3.1的第一步中介绍如何将图像像素转换为数字（以及许多其他类型的数据）。 但是在此之前，我们将在本章中学习如何使用张量处理PyTorch中的所有浮点数。