PyTorch深度学习框架——初识

PyTorch深度学习框架

简单介绍

PyTorch 是一个针对深度学习, 并且使用GPU 和CPU来优化的tensor library(张量库)。

学过Tensorflow的人或许有话说，这些事情Tensorflow也能做到的呀？那么pyTorch到底有什么可以很快在深度学习爱好者中迅速发展起来的呢？其实相比较于Tensorflow，两者还是存在不同之处——

• PyTorch更有利于研究人员、爱好者、小规模项目等快速搞出原型。而TensorFlow更适合大规模部署，特别是需要跨平台和嵌入式部署时。
• PyTorch本质上是Numpy的替代者，而且支持GPU、带有高级功能，可以用来搭建和训练深度神经网络。而TensorFlow可以看成是一个嵌入Python的编程语言。我们所写的TensorFlow代码会被Python编译成一张图，然后由TensorFlow执行引擎运行。
• 对于部署上，小规模服务器两个框架都可以用，但是对于移动端和嵌入式部署，Tensorflow会表现出更突出的优势。使用TensorFlow，部署在Android或iOS平台时只需要很小的工作量，至少不必用Java或者C++重写模型的推断部分。对于高性能服务器端的部署，还有TensorFlow Serving能用。除了性能之外，TensorFlow Serving一个显著的优点是可以轻松的热插拔模型，而不会使服务失效。

PyTorch的环境配置

如果之前学习了Tensorflow的朋友们，应该对PyTorch的部署和安装会信手拈来。但是对于初学者来说，需要花一点时间进行摸索。

参考官网配置方法PyTorch官网可以进行安装。因为文件过大，下载过程中出现超时现象，使用清华镜像进行下载，速度比较块。当前操作系统Window10，其他系统可直接参考官网详细说明。

## 在安装之前需要确认cuda是否成功安装并在系统中使用
conda --version

## 下载相关文件，需要注意cuda和pyTorch的版本对应关系！！
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

## 安装
pip install pytorch cuda90 -c pytorch 
pip install torchvision

如果通过镜像下载不下来，可以直接到**torch下载链接**进行下载，然后执行安装命令就可以。

# 离线安装相对应的版本
python install torchvision-0.3.0-py2.py3-none-any.whl

python install torch-1.1.0-cp36-cp36m-win_amd64.whl #python36,windowns 64

• 检测是否安装成功

  ## 检测是否安装成功
  python
  >> import torch
  >> import torchvision
  >> torch.cuda.is_available()
  True #显示True表示安装成功，并且可用
  

PyTorch的张量的基本介绍和创建

张量简介

张量在数学中，就是一个多维数组，它是标量、向量、矩阵的高维拓展。

标量是一个0维张量，向量是一个1维张量，矩阵是一个2维张量，但是有些高维数值就无法用标量、向量、矩阵来表示了，比如彩色图片的像素点，其中还包括RGB通道的，那么此时就需要进行高维拓展——张量。

但是在PyTorch中张量不仅仅表示多维数组，也是自动求导的关键。其中Variable是PyTorch-0.4.0版本之前的一个数据类型，虽然在0.4.0版本之后已经并入Tensor中，但是Variable这个数据类型还是需要了解的。这个数据类型和Tensorflow-1.0版本中的Variable还是有所不同之处。在Pytorch中，Variable主要是用于封装Tensor，进行自动求导。

PyTorch的数据类型总共有9种数据类型，其中使用频率最高的是torch.float32或者torch.float