关于深度学习之pytorch

        各位亲爱的小伙伴，感谢大家对我文章的喜爱，从这篇文章开始，就算真正的进入了我们人工智能学习之旅的开始，我们会以pytorch框架为基础，给大家讲解神经网络是如何进行训练的，以及复现一些经典的神经网络。今天的文章给大家讲解pytorch框架。

一、Pytorch是什么

        通俗给大家说，pytorch其实就是一个学习人工智能之神经网络的工具，比如我们的工具箱，里面有我们按需求所要的各种工具。

二、怎么使用Pytorch

        在之前的章节里已经向大家介绍了如何安装cuda和cudnn，大家可以回看之前的文章。

        cuda是NVIDIA开发的一种并行计算平台和应用程序编程接口（API），用于利用NVIDIA图形处理器（GPU）的并行计算能力。CUDA允许开发人员使用GPU来加速各种计算任务，包括科学计算、深度学习、图形渲染和其他需要大规模并行计算的应用程序。CUDA提供了一组编程工具和库，使开发人员能够在GPU上编写高性能的并行代码。

        cudnn是NVIDIA开发的一个深度学习库，专门用于加速神经网络的训练和推理。CuDNN包含了一系列高效的深度学习操作的实现，如卷积、池化、标准化等，这些操作通常用于卷积神经网络（CNN）等深度学习模型中。CuDNN库允许深度学习框架（如TensorFlow、PyTorch和Caffe）利用NVIDIA GPU的强大计算能力来加速神经网络的训练和推理过程，从而大大提高了深度学习任务的速度和效率。

三、numpy中的ndarray和pytorch中tensor

        Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。

        Numpy和Tensor数据可以相互转换。

四、Tensor数据 

        Tensor的基本数据类型有五种：

        32位浮点型：torch.FloatTensor （pytorch.Tensor()默认类型。）

        64位整型：torch.LongTensor

        32位整型：torch.IntTensor

        16位整型：torch.ShortTensor

        64位浮点型：torch.DoubleTensor

4.1创建tensor数据

与Numpy相似，也有rand()、zeros()、one_like()等函数

如何将Numpy和Tensor数据相互转换

        Numpy转换为Tensor：

                torch.tensor()

                torch.as_tensor()

                torch.from_numpy()

        Tensor转换为Numpy：

                tensor.numpy()  #浅拷贝

                np.array(tensor) #深拷贝

关于深浅拷贝，大家可以参考这位博主：【Python基础】Python的深浅拷贝讲解_51CTO博客_python 基础

4.2修改tensor形状

 

4.3索引操作 

 4.4逐元素操作

4.5归并操作

4.6比较操作

4.7矩阵操作

五、自我感受

        从这章开始，深度学习的枯燥渐渐的开始显露出来，但是大家只要相信苦尽甘来，后续会给大家展示一些示例，让大家体会这些的用途，以及生活中的实际应用。