前言：Pytorch是目前学术界使用较为广泛的一种深度学习框架，要想能够熟练使用这个工具，就需要对它有一个全面系统的了解，本专栏就是为了带领大家系统地梳理Pytorch工具中的一些重要知识点，欢迎各位读者批评指正。
目录
1、Pytorch的动态图机制
Pytorch是一个基于Torch框架的，开源的Python深度学习库。Torch框架一开始是不支持Python的，后来成功把Torch移植到python上，所以叫它Pytorch。
深度学习模型在学习过程中其实就是对tensor类型的数据进行各种计算操作，随着数据计算量的不断增大，如果没有选择一种合适的计算机制，会严重影响算法的执行效率，甚至很容易出现各种bug，不利于深度学习项目的代码实现。
计算图对提高模型计算效率有很大的帮助，简单来说计算图就是用来描述运算有向无环图，主要由节点和边组成，节点表示各种类型的数据，比如向量、数组、张量等，边则表示运算法则，比如加减乘除、卷积等。比如用图1所示的计算图来表示这个运算，向量
,表示输入，
表示输出。有了计算图，因为输入
是已知的，我们只要给参数
附上初值，按计算图的流向进行前向传播很容易计算出
的值。有了计算图，使得计算过程看起来非常简洁和清晰，同时在反向传播时对各参数
求梯度也变得更加方便。
图1
计算图根据搭建方式，可以分为动态图和静态图，Pytorch采用的就是动态图机制，Tensorflow1.0版本采用的是静态图机制，但Tensorflow2.0也改用了动态图机制。
动态图：边搭建图边计算，具有灵活且易调节的优点；
静态图：先搭建图，后运算，高效但不灵活。
Pytorch动态图的代码展示：
#赋初值
x1 = torch.tensor([1.])
x2 = torch.tensor([1.])
w11 = torch.tensor([1.])
w12 = torch.tensor([1.])
w21 = torch.tensor([1.])
w22 = torch.tensor([1.])
w31 = torch.tensor([1.])
w32 = torch.tensor([1.])
#建立动态图
m1=torch.add(torch.mul(x1,w11),torch.mul(x2,w12))
m2=torch.add(torch.mul(x1,w21),torch.mul(x2,w22))
y=torch.add(torch.mul(m1,w31),torch.mul(m2,w32))
#这时候已经计算完成
print(m1) #2.
print(m2) #2.
print(y) #4.
Tensorflow1.0静态图的代码展示，
#赋初值
x1 = torch.tensor([1.])
x2 = torch.tensor([1.])
w11 = tf.constant([1.])
w12 = tf.constant([1.])
w21 = tf.constant([1.])
w22 = tf.constant([1.])
w31 = tf.constant([1.])
w32 = tf.constant([1.])
#建立静态图
m1=tf.add(tf.multiply(x1,w11),tf.multiply(x2,w12))
m2=tf.add(tf.multiply(x1,w21),tf.multiply(x2,w22))
y=tf.add(tf.multiply(m1,w31),tf.multiply(m2,w32))
#这时候只是建好了图，还没开始计算
print(m1) #Tensor("Mul_4:0", shape=(), dtype=float32)， 只是计算图的一个节点
print(m2) #Tensor("Mul_4:0", shape=(), dtype=float32)， 只是计算图的一个节点
print(y) #Tensor("Mul_4:0", shape=(), dtype=float32)， 只是计算图的一个节点
#这里才开始进行计算
with tf.Session() as sess:
print(sess.run(m1)) #2.0
print(sess.run(m2)) #2.0
print(sess.run(y)) #4.0
2、Pytorch结构分析
由于小编主要从事计算机视觉方向的研究，所以从计算机视觉的角度去梳理Pytorch的结构。Pytorch的官网网址是https://pytorch.org/，从官网公布的API文档可以知道Pytorch主要分成了Torch和torchvision两大块，其大致的结构如图2所示，这里展示的结构强调的是模块与模块之间的包含关系，熟悉Pytorch的结构以及各模块的作用对理解代码有很大的帮助，同时也能提高写相关代码的效率。
图2
torch是Pytorch深度学习框架的核心，用来定义多维张量（Tensor）结构及基于张量的多种数学操作，是一个科学计算框架，广泛支持将GPU放在首位的机器学习算法。torchvision则是基于torch开发的，专门用来处理计算机视觉或者图像方面的库。
2.1 torch
torch中主要由数据载体模块、数据存储模块、神经网络模块、求导模块、优化器模块、加速模块以及效率工具模块组成。
1）数据载体模块（torch.tensor)：Pytorch深度学习框架是针对tensor类型的数据进行计算的，tensor类型的数据是Pytorch最基础的概念，其参与了整个计算过程，所有tensor类型的数据都具有以下8种基本属性：
①data:被包装的Tensor数据
②dtype: 张量的数据类型
③shape: 张量的形状
④device: 张量所在的设备， GPU/CPU， 张量放在GPU上才能使用加速
⑤grad: data的梯度
⑥grad_fn: fn表示function的意思，记录创建张量时用到的方法，比如说加法，这个方法在求导过程需要用到， 是自动求导的关键
⑦requires_grad: 表示是否需要计算梯度
⑧is_leaf: 表示是否是叶子节点（张量）。为了节省内存，在反向传播完了之后，非叶子节点的梯度是默认被释放掉的，如果想保留中间节点a的梯度，可以使用retain_grad()方法，即a.retain_grad()就行
2）数据存储模块（torch.Storage)：管理Tensor是以byte类型还是char类型，CPU类型还是GPU类型进行存储。
3）神经网络模块（torch.nn)：它是torch的核心，torch.nn模块下包括了参数管理、参数初始化、网络层功能函数、模型创建以及封装好的网络函数这5大工具，具体如图3所示。
①参数管理工具（nn.Parameter）：torch.nn.Parameter继承torch.Tensor,其作用将不可训练的Tensor类型数据转化为可训练的parameter参数。在Pytorch中，模型的参数是需要被优化器训练的，因此，通常要设置参数为 requires_grad = True 的张量，而张量的 requires_grad属性默认是false。同时，在一个模型中，往往有许多的参数，要手动管理这些参数并不是一件容易的事情。Pytorch中的参数用nn.Parameter来管理，因为nn.Parameter管理的参数都 具有 requires_grad = True 属性，不需要再去手动地一个个去管理参数。
②初始化工具（nn.init）：只要采用恰当的权值初始化方法，就可以实现多层神经网络的输出值的尺度维持在一定范围内, 这样在反向传播的时候，就有利于缓解梯度消失或者爆炸现象的发生。Pytorch中提供的权重初始化方法主要分为四大类：
针对饱和激活函数（sigmoid， tanh）：Xavier均匀分布， Xavier正态分布
针对非饱和激活函数（relu及变种）：Kaiming均匀分布， Kaiming正态分布
三个常用的分布初始化方法：均匀分布，正态分布，常数分布
三个特殊的矩阵初始化方法：正交矩阵初始化，单位矩阵初始化，稀疏矩阵初始化
③网络层功能函数工具（nn.functional）：都是实现好的函数，调用时需要手动创建好weight、bias变量，该模块中的函数主要用来定义nn中没有而自己又需要的功能。
④模型创建工具（nn.Module）：nn.Module既是存放各种网络层结构的容器（一个module可以包含多个子module），也可以看作是一种结构类型(如卷积层、池化层、全连接层、BN层、非线性层、损失函数、优化器等都是module类型的）。nn.Module是一种结构类型可以和torch.Tensor是一种数据类型对比着理解。nn.Module是所有网络层的基类，管理所有网络层的属性。属于Module类型的结构都有下面8种属性：
_parameters： 存储管理属于nn.Parameter类的属性，例如权值，偏置这些参数
_modules: 存储管理Module类型的结构， 比如卷积层，池化层，就会存储在_modules中
_buffers: 存储管理缓冲属性， 如BN层中的running_mean， std等都会存在这里面
***_hooks: 存储管理钩子函数
一个module相当于一个运算， 必须实现forward()函数（从计算图的角度去理解）。在nn.Module的__init__()方法中构建子模块，在nn.Module的forward（）方法中拼接子模块，这就是创建模型的两个要素。
还有一种常用的更小型的容器是nn.Sequential，用于按顺序 包装一组网络层，并且继承于nn.Module，也是Module类型的结构。
⑤nn网络工具（封装）：torch.nn模块中都是封装好的类，不需要手动创建weight, bias变量，直接调用即可，可以说torch.nn是对torch.nn.functional模块的更高层封装，能用torch.nn中的函数功能就直接用torch.nn中的函数，如果torch.nn中没有自己想要的功能，则用torch.nn.functional中的函数自己定义能实现该功能的类。为了便于对参数进行管理，将nn.functional中的函数 通过继承nn.Module转换为类的实现形式，也就是说 常用的这些函数如nn.ReLu、nn.Conv2d、nn.BCELoss、nn.drop等， 背后都在functional里面具体实现。
4）求导模块（torch.autograd)：由于Pytorch采用了动态图机制，在每一次（损失函数）反向传播结束之后，计算图（此时的计算图既有前向传播的数据也有反向传播的梯度数据）都会被释放掉（因为动态图运算和搭建是同时进行的，每计算（前向传播）一次，就会搭建一次计算图，及时释放可以节省内存），只有叶子节点(参数w，b，输入x，以及真实y都是叶子节点，但是x和y这两个张量是不需要求导的，即requires_grad=false，只有参数需要求导，所以最后保留的梯度只有w,b)的梯度会被保留下来（叶子节点的梯度在权重更新时会用到），别的节点n如果想要保留下来，需调用n.retain_grad()函数。由于叶子节点的梯度不会自动清零，每次反向传播叶子节点的梯度都会和上次反向传播的梯度叠加，因此权重更新后需通过optimizer.zero_grad()函数手动将叶子节点的梯度清零。
Pytorch自动求导机制使用的是torch.autograd.backward（）方法， 功能就是自动求取梯度。
tensors：表示用于求导的张量，如loss。
retain_graph：表示保存计算图， 由于Pytorch采用了动态图机制，在每一次反向传播结束之后，计算图都会被释放掉。如果我们不想被释放，就要设置这个参数为True。
create_graph：表示创建导数计算图，用于高阶求导。
grad_tensors：表示多梯度权重。如果有多个loss需要计算梯度的时候，就要设置这些loss的权重比例。
代码中一般使用loss .backward()就可以实现自动求导，那是因为backward()函数还是通过调用了torch.autograd.backward()函数从而实现自动求取梯度的.
5）优化器模块（torch.optim)：通过前向传播的过程，得到了模型输出与真实标签的差异，我们称之为损失， 有了损失，损失就会进行反向传播得到参数的梯度，优化器要根据我们的这个梯度去更新参数，使得损失不断的降低。torch.optim模块下有十款常用的优化器，分别是：
①optim.SGD: 随机梯度下降法
②optim.Adagrad: 自适应学习率梯度下降法
③optim.RMSprop: Adagrad的改进
④optim.Adadelta: Adagrad的改进
⑤optim.Adam: RMSprop结合Momentum
⑥optim.Adamax: Adam增加学习率上限
⑦optim.SparseAdam: 稀疏版的Adam
⑧optim.ASGD: 随机平均梯度下降
⑨optim.Rprop: 弹性反向传播
⑩optim.LBFGS: BFGS的改进
其中最常用的就是optim.SGD和optim.Adam。
6）加速模块（torch.cuda）：用于GPU加速的模块，定义了与CUDA运算相关的一系列函数
7)效率工具模块（torch.utils）：里面包含了Pytorch的数据读取机制torch.utils.data.DataLoader等一些相关的函数（数据读取机制下一篇文章会具体讲解，这里不提了）以及一些可视化工具tensorboard、CAM等涉及的函数
2.2 torchvision
torchvision则是基于torch开发的，专门用来处理计算机视觉或者图像方面的库。主要有torchvision.datasets、torchvision.models、torchvision.transforms以及torchvision.utils四大块，最重要用的最多的就是图像预处理模块torchvision.transforms,这部分内容下一篇文章中会详细讲解，这里就不重复了。