很火的深度学习框架PyTorch怎么用？手把手带你安装配置

导读：本文主要介绍PyTorch的一些基础且常用的概念和模块，以及：

1. 为何选择PyTorch。

2. PyTorch环境的安装与配置。

作者：吴茂贵 郁明敏 杨本法 李涛 张粤磊

来源：大数据DT（ID：bigdatadt）

PyTorch是Facebook团队于2017年1月发布的一个深度学习框架，虽然晚于TensorFlow、Keras等框架，但自发布之日起，其关注度就在不断上升，目前在GitHub上的热度已超过Theano、Caffe、MXNet等框架。

PyTorch 1.0版本推出后，增加了许多新的功能，对原有内容进行了优化，并整合了Caffe2，使用更方便，大大增强了生产性，所以其热度也迅速上升。

PyTorch采用Python语言接口来实现编程，非常容易上手。它就像带GPU的Numpy，与Python一样都属于动态框架。

PyTorch继承了Torch灵活、动态的编程环境和用户友好的界面，支持以快速和灵活的方式构建动态神经网络，还允许在训练过程中快速更改代码而不妨碍其性能，支持动态图形等尖端AI模型的能力，是快速实验的理想选择。

01 为何选择PyTorch？

PyTorch是一个建立在Torch库之上的Python包，旨在加速深度学习应用。它提供一种类似Numpy的抽象方法来表征张量（或多维数组），可以利用GPU来加速训练。由于 PyTorch 采用了动态计算图（Dynamic Computational Graph）结构，且基于tape的Autograd系统的深度神经网络。

其他很多框架，比如TensorFlow（TensorFlow2.0也加入了动态网络的支持）、Caffe、CNTK、Theano等，采用静态计算图。

使用PyTorch，通过一种称为Reverse-mode auto-differentiation（反向模式自动微分）的技术，可以零延迟或零成本地任意改变你的网络的行为。

Torch是PyTorch中的一个重要包，它包含了多维张量的数据结构以及基于其上的多种数学操作。

自2015年谷歌开源TensorFlow以来，深度学习框架之争越来越激烈，全球多个看重AI研究与应用的科技巨头均在加大这方面的投入。PyTorch从2017年年初发布以来，可谓是异军突起，短时间内取得了一系列成果，成为明星框架。

最近PyTorch进行了一些较大的版本更新，0.4版本把Varable与Tensor进行了合并，并增加了对Windows的支持。1.0版本增加了即时编译（Justintimecompilation，JIT，弥补了研究与生产的部署的差距）、更快的分布式、C++扩展等。

目前，PyTorch 1.0 稳定版已发布，该版本从Caffe2和ONNX移植了模块化和产品导向的功能，并将这些功能和PyTorch已有的灵活、专注研究的特性相结合。PyTorch 1.0中的技术已经让很多Facebook的产品和服务变得更强大，包括每天执行60亿次的文本翻译。

PyTorch由4个主要的包组成：

• torch：类似于Numpy的通用数组库，可将张量类型转换为torch.cuda.TensorFloat，并在GPU上进行计算。

• torch.autograd：用于构建计算图形并自动获取梯度的包。

• torch.nn：具有共享层和损失函数的神经网络库。

• torch.optim：