deep learning with pytorch-------1

序言：
1.PyTorch提供了一个核心数据结构，即张量，这是一个多维数组，与NumPy数组有许多相似之处。
2.对于熟悉NumPy数组的用户，PyTorch Tensor类将立即熟悉。Pythorch感觉像NumPy，但是有GPU加速和自动计算梯度，这使得它适合从正向表达式开始自动计算反向通过数据

从tensor开始
1.深度学习包括构建一个系统，该系统可以将数据从一种表示形式转换为另一种表示形式。由此产生的系统可以消耗大量类似的输入，并为这些输入产生有意义的输出。
2.第一步是将输入转换为浮点数（如图2.1第一步所示）。这种中间表示是浮点数的集合，浮点数表示输入并捕获数据中的结构，这种方式有助于描述输入如何映射到神经网络的输出。中间表示（如图2.1第二步所示）是将输入与前一层神经元的权重结合起来的结果。每个中间表示对于其前面的输入是唯一的。

2.在开始将数据转换为浮点输入之前，必须对PyTorch如何处理和存储数据有一个扎实的理解：作为输入、作为中间表示和作为输出。
3.PyTorch引入了一个基本的数据结构：张量。对于那些来自数学、物理或工程学的人来说，张量这个术语与空间、参考系以及它们之间的转换的概念捆绑在一起。对于其他人来说，张量指的是向量和矩阵的任意维数的推广，如图2.2所示。同一概念的另一个名称是多维数组。张量的维数与用于引用张量内标量值的索引数一致，如二维张量，索引数为2，即i和j。

3.PyTorch具有与NumPy的无缝互操作性。与NumPy阵列相比，PyTorch张量具有一些超能力，例如在图形处理单元（gpu）上执行快速操作、在多个设备或机器上分布操作以及跟踪生成它们的计算图的能力。
4.我们从介绍PyTorch张量开始这一章，介绍了使事物运动的基本原理。我们将向您展示如何使用PyTorch张量库来操作张量，包括数据如何存储在内存中，以及如何在恒定时间内对任意大的张量执行某些操作；然后我们将继续讨论前面提到的NumPy互操作性和GPU加速。