今天給大家講解一下PyTorch深度學(xué)習(xí)框架的一些基礎(chǔ)知識，希望對大家理解PyTorch有一定的幫助！

1、PyTorch

PyTorch是一個基于Torch的Python機器學(xué)習(xí)框架。它是由Facebook的人工智能研究小組在2016年開發(fā)的，解決了Torch因為使用Lua編程語言普及度不高的問題，故采用了集成非常廣泛的Python編程語言來實現(xiàn)。

2、PyTorch常用的工具包

• torch：類似于Numpy的通用數(shù)組庫，可以在將張量類型轉(zhuǎn)換為（torch.cuda.TensorFloat）并支持在GPU上進行計算。
• torch.autograd：主要用于構(gòu)建計算圖形并自動獲取漸變的包
• torch.nn：具有共同層和成本函數(shù)的神經(jīng)網(wǎng)絡(luò)庫
• torch.optim：具有通用優(yōu)化算法（如SGD，Adam等）的優(yōu)化包
• torch.utils：數(shù)據(jù)載入器。具有訓(xùn)練器和其他便利功能
• torch.legacy(.nn/.optim) ：處于向后兼容性考慮，從 Torch 移植來的 legacy 代碼
• torch.multiprocessing：python 多進程并發(fā)，實現(xiàn)進程之間 torch Tensors 的內(nèi)存共享

3、PyTorch特點

• 動態(tài)神經(jīng)結(jié)構(gòu)：PyTorch通過一種反向自動求導(dǎo)的技術(shù)，可以做到零延遲地任意改變神經(jīng)網(wǎng)絡(luò)的行為，避免因為構(gòu)建神經(jīng)網(wǎng)絡(luò)完成后，如果需要調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，只能從頭開始的麻煩，采用PyTorch大大節(jié)省了人力和時間成本。
• Debug調(diào)試方便：PyTorch 的設(shè)計思路是線性、直觀且易于使用的，當(dāng)你執(zhí)行一行代碼時，一步步去執(zhí)行，不涉及異步調(diào)試的繁瑣，所以當(dāng)代碼出現(xiàn)Bug 的時候，可以通過很方便定位代碼的位置，避免因為bug錯誤的指向或者異步和不透明的引擎造成查詢問題的麻煩。
• 代碼簡潔易懂：PyTorch的代碼相對于Tensorflow更加簡潔容易讀懂，并且PyTorch本身源代碼閱讀起來也要友好很多這樣更容易深入理解PyTorch。
• 社區(qū)活躍度高：PyTorch 擁有一個非常活躍的社區(qū)和論壇（discuss.pytorch.org）。它的文檔（pytorch.org）梳理的非常清晰，初學(xué)者入門很快；并且它與 PyTorch 版本保持同步，并提供一組完整教程。PyTorch 使用起來非常簡單，所以學(xué)習(xí)成本也就比較低。

4、PyTorch不足之處

• 可視化監(jiān)控能力弱：缺少直接可用監(jiān)控和可視化接口：
• 不如TensorFlow應(yīng)用廣泛：PyTorch 不是端到端的機器學(xué)習(xí)開發(fā)工具；實際應(yīng)用程序的開發(fā)需要將 PyTorch 代碼轉(zhuǎn)換為另一個框架，例如 Caffe2，轉(zhuǎn)換后將應(yīng)用程序部署到服務(wù)器、工作站和移動設(shè)備。