PyTorch 是一个基于 Torch 的 Python 开源机器学习库，用于自然语言处理等应用程序，它主要由 Facebook 的人工智能研究小组开发。PyTorch 提供两个高级功能：(1) 具有强大的 GPU 加速的张量计算（如 NumPy）；(2) 包含自动求导系统的深度神经网络。更多介绍详见官方网址：https://pytorch.org，也可以直接搜索 github 开源的：PyTorch 中文手册 （pytorch handbook）。
1.设置网络参数
首先介绍Python的argparse模块（python的标准库都可以在Pyhton官网上查到），是python用于解析命令行参数和选项的标准模块，作用就是为py文件封装好可以选择的参数，使他们更加灵活、丰富。使用步骤：
import argparse #导入模块
parser = argparse.ArgumentParser() #创建一个解析对象，一般只需要传入description参数
parser.add_argument() #添加需要关注的参数或者选项
#parser.add_argument('--input_dir', default='', type=str, help='input direction')
#字符串等命令行参数名，default未传参时的默认值，type参数类型(默认字符串str，还有float/int等类型)，help运行参数不正确会打印描述信息。
args = parse_args() #进行解析
args.dataset #进行使用
在机器学习领域，很多模型需要设置超参数，然而当超参数过多时，就会出现不方便管理的问题。为了提高代码的重用性，不用经常去修改代码内部，可以将所有的代码都变成模块化和可配置化。其中，yacs（Yet Another Configuration System）是Ross Girshick（Faster-RCNN的作者）创建的一个轻量级第三方库，用于定义和管理系统配置，这些“配置”通常包括用于训练机器学习模型的超参数或可配置模型超参数(如卷积神经网络的深度等概念)。有点类似于argparse，不过argparse需要在运行文件中写一堆parser.add_argument()，且运行时需要在命令行传入参数，而yacs写好之后就可以放到文档中, 非常清晰且方便管理。YACS的使用方法是，首先要创建一个项目配置文件，通常称为config.py或default.py，它应该为所有选项提供合理的默认值；然后创建YAML配置文件，最好为每个实验做一个，并且每个配置文件仅覆盖该实验中正在更改的选项。
# config.py
from yacs.config import CfgNode as CN
# ---------------------------------------------- #
# system options
_C = CN()
_C.SYSTEM = CN()
# Number of GPUS to use in the experiment
_C.SYSTEM.NUM_GPUS = 8
# Number of workers for doing things
_C.SYSTEM.NUM_WORKERS = 4
# ---------------------------------------------- #
# Training options
_C.TRAIN = CN()
__C.TRAIN.EPOCH = 20
__C.
