PyTorch：深度学学习框架PyTorch的简介、安装、使用方法之详细攻略

PyTorch的简介
       pytorch是一个python优先的深度学习框架，是一个和tensorflow，Caffe，MXnet一样，非常底层的框架。
       Torch官网：https://pytorch.org/
       Torch官网的gitHub：https://github.com/torch/torch7
       pypi torch : https://pypi.org/project/torch/

Torch 自称为神经网络界的 Numpy, 因为他能将 torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算. 所以神经网络的话, 当然是用 Torch 的 tensor 形式数据最好。就像 Tensorflow 当中的 tensor 一样。pytorch是一个动态的建图的工具。不像Tensorflow那样，先建图，然后通过feed和run重复执行建好的图。相对来说，pytorch具有更好的灵活性。
如图所示，Torch已经实现了很多库，比如ML、RL等
(1)、比如查询BatchNormalization算法的实现

1、pytorch的三大优势
(1)、Python优先支持策略：Pytorch主推的特性之一，就是支持python（官方的提法：puts Python first）。因为直接构建自 Python C API，Pytorch从细粒度上直接支持python的访问。相比于原生Python实现，引入的新概念很少，这不仅降低了 python 用户理解的门槛，也能保证代码基本跟原生的 python 实现一致。事实上，开发者可以直接用原生 python 代码扩展 Pytorch 的 operation。
(2)、动态图的良好支持：Tensorflow运行必须提前建好静态计算图，然后通过feed和run重复执行建好的图。但是Pytorch却不需要这么麻烦：PyTorch的程序可以在执行时动态构建/调整计算图。相对来说，pytorch具有更好的灵活性。这得益于Pytorch直接基于 python C API 构建的 python 接口。
(3)、易于Debug：Pytorch在运行时可以生成动态图，开发者就可以在堆栈跟踪中看到哪一行代码导致了错误。你甚至可以在调试器中停掉解释器并看看某个层会产生什么。
(4)、通常使用PyTorch可以使用GPU的功能代替numpy。一个深刻的学习研究平台，提供最大的灵活性和速度。
2、pytorch和tensorflow相互PK
在便利性和上手难度上，pytorch远胜于tensorflow，原因是pytorch是基于动态图，而tensorflow是基于静态计算图，因此pytorch能随时打印tensor的值，但是Tensorflow需要设置回调的方法才能打印，如果想在tensorflow中想判断一个变量的值的正确性，只能使用assert方法，这一点确实tensorflow不及pytorch，而在上手难度上pytorch也是比tensorflow容易。

PyTorch的安装

pip install torch
pip install torch==0.4.1.post2
 
 
T1方法
git clone https://github.com/pytorch/vision
cd vision
python setup.py install
T2方法
pip3 install http://download.pytorch.org/whl/cu80/torch-0.4.0-cp36-cp36m-win_amd64.whl 
pip3 install torchvision
 
T3方法
pip install torch-0.4.0-cp36-cp36m-win_amd64.whl
pip install torchvision

1、20181114更新版本到 torch-0.4.1

pip3 install http://download.pytorch.org/whl/cu80/torch-0.4.1-cp36-cp36m-win_amd64.whl
pip3 install torchvision

(1)、测试

import torch  
print(torch.__version__)          #输出版本信息
print(torch.cuda.is_available())  #查看是否支持cuda

PyTorch的使用方法
一、Torch运算命令
1、三行命令即可运算

二、Pytorch
1、PyTorch是一个提供两个高级功能的python包：
具有强GPU加速度的张量计算（如numpy）
深层神经网络建立在基于磁带的自动调整系统上
  可以重用您最喜爱的python软件包，如numpy，scipy和Cython，以便在需要时扩展PyTorch。
2、PyTorch在细粒度级别是由以下组件组成的库：
torch   像NumPy这样的Tensor图书馆，拥有强大的GPU支持
torch.autograd   一种基于磁带的自动分类库，支持所有可区分的Tensor操作手电筒。pytorch的自动求导工具包在torch.autograd中。
torch.nn   一个神经网络库与autograd设计了最大的灵活性。pytorch神经网络构建很容易，主要使用的包是torch.nn这个包，可以尝试使用pytorch构建一个简单的二层神经网络结构。

torch.optim   一种与torch.nn一起使用的优化包，具有标准优化方法，如SGD，RMSProp，LBFGS，Adam等。
torch.multiprocessing   python多处理，但是具有魔法内存共享的手电筒传感器跨过程。适用于数据加载和hogwild培训。
torch.utils   DataLoader，Trainer等实用功能为方便起见 torch.legacy（.nn / .optim）由于向后兼容性原因，已经从割炬移植的旧代码。

参考文献

PyTorch官网

PyTorch中文文档

pytorch入门

pytorch 学习笔记(一)

Win10 Python3.6下安装PyTorch

原文：https://blog.csdn.net/qq_41185868/article/details/80152596