- 代码下载: ☕autograd
任务名称：
模型保存与加载；Finetune
任务简介：
了解序列化与反序列化；了解transfer learning 与 model finetune
详细说明：
本节第一部分学习pytorch中的模型保存与加载，也常称为序列化与反序列化，本节将讲解序列化与反序列化的概念，进而对模型的保存与加载有深刻的认识，同时介绍pytorch中模型保存与加载的方法函数。
本节第二部分学习模型微调（Finetune）的方法，以及认识Transfer Learning（迁移学习）与Model Finetune之间的关系。
作业名称（详解）：
-
任意一个模型，将其内部权重赋值为0.123，然后保存state_dict；接着重新创建一个网络net_load，打印刚创建的net_load中的参数，接着加载保存好的state_dict，并且load到net_load中，再次打印net_load中的参数，观察是否成功将保存的参数重新加载进来。
打卡要求：赋值print的信息或截图重新加载进来的参数的数值 -
一句话描述迁移学习研究内容。
任务名称：
GPU的使用；PyTorch中常见报错
任务简介：
学习使用GPU进行加速运算；学习常见报错信息，方便调试代码
详细说明：
本节第一部分学习如何使用GPU进行加速模型运算，介绍Tensor和Module的to函数使用以及它们之间的差异，同时学习多GPU运算的分发并行机制
本节第二部分学习PyTorch中常见的报错信息及其解决方法，为大家提供一个快速的调试文档，同时希望大家一同贡献该文档
作业名称（详解）：
-
采用time函数与for 循环，对比cpu上运算时间以及gpu上运算时间。
打卡要求：文字描述cpu型号，gpu型号，运算时间对比。 -
尝试贡献一个pytorch中的报错信息/存在的坑（选做）。