操作指南

从pip、conda、源代码安装PyTorch-Ignite或使用预构建的docker镜像

在本指南中，我们将展示如何将PyTorch代码组件转换为紧凑且灵活的PyTorch-Ignite代码。

学习如何在训练期间获取单个epoch的时间分解、单个事件、与事件对应的所有处理程序、单个处理程序、数据加载和数据处理，使用Engine的State、BasicTimeProfiler和HandlersTimeProfiler。

本操作指南展示了如何利用FastaiLRFinder处理程序来找到训练模型的最佳学习率。我们将比较使用和不使用该处理程序的结果，以便更好地理解。

为了在有限的GPU资源上有效增加批量大小，请遵循这个简单的最佳实践。

当训练或验证的数据提供者是一个迭代器（无限或有限，已知或未知大小）时，以下是一些如何设置训练器或评估器的基本示例。

本操作指南展示了如何使用PyTorch-Ignite进行k折交叉验证并保存最佳结果。

交叉验证对于调整模型参数或在可用数据不足以正确测试时非常有用

学习如何创建依赖于计算损失、反向传播、优化步骤等的自定义事件。

示例：如何在训练过程中经过一定次数的迭代后切换数据