【PyTorch学习00】PyTorch简介及安装

小黄爱编程

已于 2024-09-29 10:50:31 修改

阅读量992

点赞数 9

分类专栏： PyTorch 文章标签：学习 pytorch 人工智能 python 深度学习机器学习

于 2024-09-28 15:56:26 首次发布

本文链接：https://blog.csdn.net/weixin_51724996/article/details/142616573

版权

4 篇文章 0 订阅

订阅专栏

一什么是【人工智能】

人工智能（AI）是指通过计算机系统模拟人类智能的技术。它包括感知、推理、学习、规划和自然语言处理等能力。AI 的目标是创建能够执行通常需要人类智能的任务的系统。

机器学习（ML） 是 AI 的一个子领域，专注于开发算法和技术，使计算机能够从数据中学习和做出决策，而无需明确编程。ML 通过识别数据中的模式和规律来改进其性能。

神经网络（NN） 是一种受生物神经系统启发的计算模型，由多个相互连接的节点（或“神经元”）组成。神经网络是机器学习的一种方法，特别适用于处理复杂的模式识别任务。

深度学习（DL） 是神经网络的一个子领域，涉及使用多层神经网络（即“深度”神经网络）来处理和分析数据。深度学习在图像识别、语音识别和自然语言处理等领域取得了显著的成功。

总结一下它们之间的关系：

监督学习是一种机器学习方法，其中模型在训练时使用带有标签的数据。目标是让模型学会从输入数据中预测输出标签。

分类（Classification）：分类任务的目标是将输入数据分配到预定义的类别中。例如，给定一组带标签的图片（如猫和狗），模型学习如何将新图片正确分类为猫或狗。
回归（Regression）：回归任务的目标是预测连续值。例如，给定一组带有房价标签的房屋特征数据，模型学习如何预测新房屋的价格。

非监督学习是一种机器学习方法，其中模型在训练时使用未标注的数据。目标是发现数据中的模式和结构。

聚类（Clustering）：聚类任务的目标是将数据点分组，使得同一组中的数据点彼此相似，而不同组的数据点差异较大。例如，给定一组未标注的客户数据，模型可以自动将客户分为不同的群体，每个群体代表一个客户类型。

半监督学习结合了监督学习和非监督学习的方法。模型在训练时使用部分带标签的数据和部分未标注的数据。

半监督学习：在这种方法中，模型使用一部分带标签的数据进行训练，同时利用大量未标注的数据来改进模型的性能。例如，给定一小部分带标签的图片和大量未标注的图片，模型可以利用未标注的数据来提高分类准确性。

深度学习框架是用于构建、训练和评估深度学习模型的软件工具包。它们提供了高效的计算和开发环境，使研究人员和开发人员能够更容易地实现复杂的神经网络模型。深度学习框架通常包括以下功能：

TensorFlow：由 Google 开发的开源深度学习框架，广泛应用于研究和生产环境。它支持多种平台，并提供了丰富的工具和库。
PyTorch：由 Facebook 开发的开源深度学习框架，以其灵活性和易用性受到研究人员的青睐。PyTorch 支持动态计算图，使调试和开发更加方便。
Keras：一个高级神经网络 API，最初由 François Chollet 开发，现已集成到 TensorFlow 中。Keras 提供了简洁易用的接口，适合快速原型设计和实验。
Caffe：由 Berkeley Vision and Learning Center (BVLC) 开发的深度学习框架，专注于图像分类和图像分割任务。Caffe 以其高效的计算性能和模块化设计而闻名。
MXNet：由 Apache 基金会管理的开源深度学习框架，支持多种编程语言（如 Python、Scala、R 等）。MXNet 以其可扩展性和高效性受到欢迎。
Chainer：由日本公司 Preferred Networks 开发的深度学习框架，支持动态计算图，适合研究和开发。