PyTorch - 01 - 解释-Python深度学习神经网络API
PyTorch - Python Deep Learning Neural Network API
PyTorch是一个深度学习框架和科学计算软件包。 无论如何，PyTorch核心团队就是这样描述PyTorch的。 PyTorch的科学计算方面主要是PyTorch的张量库和相关的张量操作的结果。
张量是n维数组。
例如，从NumPy ndarray对象创建的PyTorch torch.Tensor对象共享内存。 从性能的角度来看，这使得PyTorch和NumPy之间的转换非常便宜。借助PyTorch张量，内置了GPU支持。 如果我们的系统上安装了张量，PyTorch可以很容易地在GPU之间来回移动张量。
PyTorch张量操作可以在GPU上执行。
在CUDA上，我们将详细讨论GPU及其在深度学习中的用途。 现在，只知道PyTorch张量及其关联的操作与NumPy n维数组非常相似。张量对于深度学习和神经网络非常重要，因为它们是我们最终用于构建和训练神经网络的数据结构。除了张量库之外，PyTorch在构建和训练神经网络方面还提供了更多功能。 在介绍PyTorch的深度学习细节之前，让我们先看一下有关如何创建PyTorch的一些细节。
PyTorch: A Brief History
PyTorch的最初版本是在2016年10月，在创建PyTorch之前，曾经并且仍然存在另一个称为Torch的框架。 Torch是一个基于Lua编程语言的机器学习框架，已经存在了很长时间。
之所以存在PyTorch与该Lua版本（称为Torch）之间的联系，是因为维护Lua版本的许多开发人员都是创建PyTorch的个人。Soumith Chintala以引导PyTorch项目而闻名，他创建PyTorch的理由非常简单，Torch的Lua版本已经老化，因此需要使用Python编写的较新版本。 结果，PyTorch成为了。
Facebook Created PyTorch
您可能会听说有关PyTorch的一件事是它是由Facebook创建并维护的。 这是因为Soumith Chintala在创建PyTorch时曾在Facebook AI Research工作（在撰写本文时仍然如此）。 但是，还有许多其他公司对PyTorch有既得利益。
PyTorch GitHub仓库表明有很多贡献者，目前超过700位。 在commit贡献的顶部附近，我们有Soumith，但还有许多其他人。现在让我们看一下PyTorch的深度学习功能。
Deep Learning With PyTorch
该表为我们提供了PyTorch软件包及其相应说明的列表。 这些是我们在本系列中构建神经网络时将学习和使用的主要PyTorch组件。
| 包装 | 说明 |
|---|---|
| torch | 顶级PyTorch包和张量库。 |
| torch.nn | 一个子包，其中包含用于构建神经网络的模块和可扩展类。 |
| torch.autograd | 一个子包，支持PyTorch中的所有可区分的Tensor操作。 |
| torch.nn.functional | 一个功能接口，其中包含用于构建神经网络的典型操作，例如损失函数，激活函数和卷积操作。 |
| torch.optim | 一个子包，其中包含SGD和Adam之类的标准优化操作。 |
| torch.utils | 一个子包，其中包含实用程序类，例如数据集和数据加载器，这些类使数据预处理更加容易。 |
| torchvision | 一个软件包，提供对流行的数据集，模型体系结构和计算机视觉图像转换的访问。 |
目前，torchvision软件包与顶级Torch软件包是分开的。 但是，如果将来将Torchvision作为Torch的子包引入，则这种情况可能会改变。
Why Use PyTorch For Deep Learning?
让我们谈谈学习PyTorch的前景。 对于深度学习和神经网络的初学者来说，学习PyTorch的首要原因是它是一个精简的框架，不会让您感到困惑。
PyTorch is thin and stays out of the way!
当我们使用PyTorch构建神经网络时，我们非常接近从头开始编程神经网络。 在PyTorch中进行编程的经验与实际情况差不多。
PyTorch接近真实事物！
了解了使用PyTorch对神经网络进行编程的过程之后，可以很容易地看到该过程如何在纯Python中从头开始。 这就是为什么PyTorch非常适合初学者的原因。
使用PyTorch之后，您将对神经网络和深度学习有更深入的了解。 PyTorch的顶级哲学之一就是不要介入，这使得我们可以专注于神经网络，而不再关注实际框架。
Philosophy Of PyTorch
在撰写本文时，PyTorch的开发受到以下列表的指导：
- 避开
- 迎合不耐烦的人
- 促进线性码流
- 与Python生态系统完全互操作
- 跟其他任何东西一样快
- PyTorch不会造成干扰的事实使PyTorch非常适合加深我们对神经网络的理解。
- 当我们编写PyTorch代码时，我们只是在编写和扩展标准Python类，而当我们调试PyTorch代码时，我们正在使用标准Python调试器。
PyTorch的设计新颖，Pythonic且易懂。 源代码对于Python开发人员来说很容易阅读，因为它主要是用Python编写的，并且仅落入C ++和CUDA代码中以解决性能瓶颈。
总体而言，PyTorch是加深我们对深度学习和神经网络的理解的绝佳工具。
Investing In PyTorch As A Deep Learning Framework
从知识投资的角度来看，PyTorch可以被视为更安全的选择，仅因为Facebook支持它，并且PyTorch是为Python构建的，而Lua与Lua不同，它拥有庞大且不断发展的深度学习社区。
除了Facebook和Python优势之外，PyTorch还非常瘦，并且与Python高度集成，并且非常瘦，这使得PyTorch更有可能随着事情的发展而适应迅速发展的深度学习环境。
这些特性提高了PyTorch作为深度学习框架的寿命。
PyTorch For Deep Learning Research
PyTorch经常弹出的一个共同特征是，它非常适合研究。 研究适合性的原因与技术设计考虑有关。 为了优化神经网络，我们需要计算导数，并且为了进行计算，深度学习框架使用所谓的计算图。
计算图用于绘制神经网络内部张量上发生的函数运算。
这些图然后用于计算优化神经网络所需的导数。 PyTorch使用称为动态计算图的计算图。 这意味着在创建操作时将动态生成图形。
这与在实际操作发生之前完全确定的静态图相反。
Convolutional Neural Network Project In PyTorch
我们将在本系列中使用PyTorch解决的第一个项目是建立一个卷积神经网络，以对Fashion-MNIST数据集中的图像进行分类。
该数据集包含来自十个不同类别的服装项目的六万个示例训练集。 我们将使用PyTorch构建卷积神经网络，该神经网络可以准确预测给定输入零件的正确服装，因此请继续关注！
让我们为深入学习和神经网络做好准备。 在下一篇文章中，我们将安装PyTorch。 我会在那里见你！