DataWhale10月“深入浅出PyTorch”Task01打卡

ps:本文记录参与Datawhale10月“深入浅出Pytorch”的学习笔记
pss:该教程的GitHub地址：深入浅出PyTorch
哔哩哔哩视频地址：深入浅出Pytorch

PyTorch的简介与安装

1.PyTorch的简介

1.1 介绍

PyTorch是一个很著名的支持GPU加速和自动求导的深度学习框架，最开始是由Facebook的人工智能研究团队开发。因为其动态图机制符合思维逻辑，方便调试，十分适合于科研人员将想法迅速实现，所以在最近几年收到学术界的热捧。它基于Torch，底层由C++实现。

1.2 发展迅猛成为主流

该图源自网站Papers With Code，颜色面积代表使用该框架的论文公开代码库的数量，红色的是Pytorch，黄色的是TensorFlow。可以发现，从2017年9月到2021年9月这段时间里，红色部分正在随着时间的推移而逐渐地抢占黄色之前的占比，即PyTorch正在取代他的老大哥TensorFlow称霸学术圈。

ps: “听闻TensonrFlow占据工业界，Pytorch占据学术界”

1.3 优势

• 更加简洁，相比于其他的框架，PyTorch的框架更加简洁，易于理解。PyTorch的设计追求最少的封装，避免重复造轮子。
• 上手快，掌握numpy和基本的深度学习知识就可以上手。
• PyTorch有着良好的文档和社区支持，作者亲自维护的论坛供用户交流和求教问题。Facebook 人工智能研究院对PyTorch提供了强力支持，作为当今排名前三的深度学习研究机构，FAIR的支持足以确保PyTorch获得持续的开发更新。
• 项目开源，在Github上有越来越多的开源代码是使用PyTorch进行开发。
• 可以更好的调试代码，PyTorch可以让我们逐行执行我们的脚本。这就像调试NumPy一样 – 我们可以轻松访问代码中的所有对象，并且可以使用打印语句（或其他标准的Python调试）来查看方法失败的位置。
• 越来越完善的扩展库，活力旺盛，正处在当打之年。

2.PyTorch的安装

详见：DataWhale的深入浅出Pytorch教程之PyTorch的安装
记录一下我遇到的一些坑：

1. Cmd输入nvidia-smi无反应的原因是未在自己电脑把 C:\Program Files\NVIDIA Corporation\NVSMI 中的路径添加到环境变量 path 中。

详见：在cmd中查看显卡运行状态

实验室的辣鸡办公机无独显，只安装了CPU版本

3.PyTorch相关资源

1. Awesome-pytorch-list：目前已获12K Star，包含了NLP,CV,常见库，论文实现以及Pytorch的其他项目。
2. PyTorch官方文档：官方发布的文档，十分丰富。
3. Pytorch-handbook：GitHub上已经收获14.8K，pytorch手中书。
4. PyTorch官方社区：在这里你可以和开发pytorch的人们进行交流。