基于PyTorch的深度学习系列教程(一)：认识PyTorch

前言

本文回答了以下初学者在学习PyTorch时经常会产生的两个疑问：

1. 什么是PyTorch？ 它在机器学习中充当什么角色？
2. 为什么偏偏要学PyTorch? （为何不选择TensorFlow、Keras等框架？）

这也是我的第一篇博客，写的不好请见谅，下面就让我们进入正文。

一、PyTorch简介

首先，让我们搞清楚一个问题：什么是深度学习学习框架？简单来讲，深度学习框架是一套完备的系统，其中提供了一系列方法和工具，使得用户能够高效灵活地进行数据处理、建立模型和实验评估等步骤。PyTorch就是这样一套综合的系统。在之后的学习当中，我们会一一了解实现这些功能的方法和函数。

二、PyTorch的优势在哪？

上图展示了几种主流的机器学习框架，如TensorFlow、Keras等。相较于这些框架，PyTorch到底有哪些突出的优势？

1.对Python语言的良好支持

从PyTorch的名字我们不难看出，这个框架与Python紧密相连。PyTorch的前身Torch实际上是基于Lua语言研发的，但其实在是过于小众。考虑到Python在科学计算领域的突出地位，和它非常完善的生态支持，Torch原团队便基于Python语言进行了重构，加入了对Python的接口以及自动求导模块。

PyTorch的学习中引入的新概念非常少，降低了用户的理解门槛，也使得代码几乎和原生Python一致。更重要的是，PyTorch能够无缝地使用Numpy库，大大优化了使用体验和便捷程度。

2.基于动态图的求导

TensorFlow是一种典型的基于静态图的机器学习框架。静态图一旦建立就相对固定，不易于改变。它过于庞大，往往会占据大量的内存空间。相反，动态图是在代码运行过程当中被建立的，相对更加灵活轻便，方便了使用者修改网络结构。

总结成一句话：PyTorch是最适合新手学习深度学习的框架之一，相较于其他框架也拥有更大的灵活性。大部分读者都对Numpy比较熟悉，这也使得学习新操作的难度大大减小。如果对Numpy的掌握仍然不熟练，建议先复习梳理相关知识。后续教程在编写过程中，也会把PyTorch和Numpy两种库实现相同操作的代码进行对比，方便读者学习记忆。