通常的 PyTorch Workflow 是这样的. But the workflow steps can be repeated and changed depending on the problem you’re working on.

1. Get data ready (turn into tensors)
2. Build or pick a pretrained model to suit your problem
   2.1 Pick a loss function & optimizer
   2.2 Build a training loop
3. Fit the model to the data and make a prediction
4. Evaluate the model
5. Improve through experimentation
6. Save and reload your trained model

Topic	Contents
Getting data ready	Data can be almost anything but to get started we’re going to create a simple straight line
Build a model	Create a model to learn patterns in the data, and choose a loss function, optimizer and build a training loop
Fitting the model to data (training)	Got the data and a model, now let’s the model (try to) find patterns in the (training) data.
Making predictions and evaluating a model (inference)	The model’s found patterns in the data, let’s compare its findings to the actual (testing) data.
Saving and loading a model	You may want to use your model elsewhere, or come back to it later
Putting it all together	Let’s take all of the above and combine it.

---

或者也可以是这几个步骤：

1. 数据准备：首先准备好数据集，包括训练集，验证集和测试集。PyTorch提供了一系列工具和类来加载，预处理和组织数据，例如：torch.utils.data.Dataset 和 torch.utils.data.DataLoader
2. 模型定义：定义神经网络模型的结构，包括网络层的组织结构，激活函数等。可以使用PyTorch提供的torch.nn.Module类来创建模型。
3. 损失函数定义：根据任务的性质选择合适的损失函数，用于衡量模型预测与真实标签之间的差异。PyTorch提供了各种损失函数，例如交叉熵损失函数，均方误差损失函数等。
4. 优化器选择：选择合适的优化算法来更新模型参数，使得损失函数最小化。常见的优化算法包括随机梯度下降 (SGD)，Adam, RMSprop等。PyTorch提供了torch.optim模块来实现各种优化算法。
5. 模型训练：使用准备好的数据集，模型，损失函数和优化器来进行模型训练。训练过程通常包括多个周期 (epochs)，每个周期包括数据集的多个批次 (batches)。在每个批次中，依次执行以下步骤：
   • 前向传播 (Forward Pass): 将输入数据传递给模型，计算模型的输出。
   • 计算损失值：使用损失函数计算模型输出与真实标签之间的损失之。
   • 反向传播 (Backward Pass): 根据损失值计算模型参数的梯度。
   • 参数更新：使用优化器根据参数的梯度更新模型参数。
6. 模型评估：使用验证集或测试集评估训练好的模型的性能。通常会计算模型在验证集或测试集上的准确率，精确率，召回率等指标。
7. 模型保存和部署：将训练好的模型保存为文件，并在需要时加载模型进行预测。PyTorch提供了·torch.save() 和 torch.load() 函数来保存和加载模型。模型也可以通过TorchScript进行序列化，以便于在其他平台上进行部署。

看到这了，给个赞呗~