如果您對(duì)機(jī)器學(xué)習(xí)感興趣或正在閱讀本文，那么您很有可能以前聽說過PyTorch。 在機(jī)器學(xué)習(xí)開發(fā)人員中，這是一個(gè)非常著名的框架，由于很好的原因，我們將在本文中進(jìn)行討論。 另外，如果您只是從神經(jīng)網(wǎng)絡(luò)開始并且具有基礎(chǔ)知識(shí)，那么這是一個(gè)完美的初學(xué)者工具。

好吧，讓我們進(jìn)入PyTorch的精髓吧？

PyTorch的歷史

Torch最初是用Lua編寫的，這種用法并不常見，很難理解，而且它沒有Python提供的一半功能。

因此，在2017年，F(xiàn)acebook的AI研究實(shí)驗(yàn)室決定建立一個(gè)與Torch庫具有相同功能但不包含python的庫，因此命名為PyTorch。 這在開發(fā)人員中立即受到打擊，并使編寫代碼更容易，更有效。

認(rèn)知計(jì)算-一種被廣泛認(rèn)為是……的最重要表現(xiàn)的技能

作為其用戶，我們已逐漸將技術(shù)視為理所當(dāng)然。 這些天幾乎沒有什么比這更普遍了……

趣聞：PyTorch Soumith Chintala的開發(fā)人員之一是VIT的校友，而這恰好是我目前就讀的我的大學(xué)！

Pytorch與Tensorflow

我覺得在PyTorch和Tensorflow之間總是有一個(gè)比較，因?yàn)樗鼈兪褂貌煌姆椒▉斫鉀Q問題，因此我認(rèn)為這是不必要的，并且根據(jù)數(shù)據(jù)集和算法，一種方法要比另一種效果更好。 但是，如果您仍然好奇，可以在這里查看這篇非常簡(jiǎn)潔的文章。

是什么使Pytorch成為一個(gè)好的框架？

· 命令式編程：在PyTorch中，計(jì)算會(huì)立即運(yùn)行，這意味著用戶無需等待編寫完整的代碼即可檢查其是否有效。 這對(duì)于像我這樣急躁的程序員來說是個(gè)好兆頭，他們希望在每一行代碼之后都能看到結(jié)果。 這還允許在python中提供更靈活的編碼體驗(yàn)，并且更受性能驅(qū)動(dòng)。

> Source:https://medium.com/@vincentbacalso/imperative-vs-declarative-programming

2.動(dòng)態(tài)計(jì)算圖：動(dòng)態(tài)計(jì)算圖框架是一個(gè)由庫，接口和組件組成的系統(tǒng)，這些庫，接口和組件提供了靈活的，編程的，運(yùn)行時(shí)接口，通過連接有限但可能可擴(kuò)展的一組操作來促進(jìn)系統(tǒng)的構(gòu)建和修改。 因此，基本上，PyTorch遵循運(yùn)行定義的原理，這對(duì)于像RNN這樣的非固定大小的網(wǎng)絡(luò)非常有用。

> Source: Hackernoon.com

1. Autograd：此類是計(jì)算導(dǎo)數(shù)的引擎（更精確地說，是Jacobian矢量積）。 它記錄了在啟用梯度的張量上執(zhí)行的所有操作的圖，并創(chuàng)建了一個(gè)稱為動(dòng)態(tài)計(jì)算圖的非循環(huán)圖。 該圖的葉子是輸入張量，根是輸出張量。 通過從根到葉跟蹤圖并使用鏈法則將每個(gè)梯度相乘來計(jì)算梯度。

torch.nn.Autograd.Function

> Source: Udacity.com

Pytorch的常用功能

· torch.sum（）：加法

(a*b).sum()

1. torch.mm（）：點(diǎn)積。

#torch.nm(a,b)

1. torch.randn（）：生成矩陣隨機(jī)數(shù)

torch.manual_seed(7)

# Set the random seed so things are predictable

x = torch.randn(2,2)

1. torch.exp（）：計(jì)算指數(shù)

Sigmoid=1/(1+torch.exp(-x))

1. PyTorch提供了一個(gè)模塊nn，它使構(gòu)建網(wǎng)絡(luò)更加簡(jiǎn)單。

from torch import nn

-nn.Linear（）：此行創(chuàng)建用于線性變換+的模塊。

類似地，以下函數(shù)可用于計(jì)算相應(yīng)的激活函數(shù)。

-nn.Sigmoid（）

-nn.Softmax（）

self.output = nn.Linearse

lf.sigmoid = nn.Sigmoid()

self.softmax = nn.Softmax(dim=1)

#columnwise

1. nn.Sequential：使用此方法，我們可以依次通過操作傳遞張量。

model = nn.Sequential(nn.Linear(input_size, hidden_sizes[0]), nn.ReLU(), nn.Linear(hidden_sizes[0], hidden_sizes[1]), nn.ReLU(), nn.Linear(hidden_sizes[1], output_size), nn.Softmax(dim=1))

7.損失計(jì)算

criterion = nn.CrossEntropyLoss()

criterion = nn.NLLLoss()

criterion = nn.LogSoftmax()

1. Autograd：Autograd的工作原理是跟蹤對(duì)張量執(zhí)行的操作，然后回溯這些操作，并計(jì)算沿途的梯度。

-loss.backward（）計(jì)算用于計(jì)算參數(shù)的梯度。 這些梯度用于通過梯度下降來更新權(quán)重。

loss.backward()

optimizer.zero_grad（）將每個(gè)訓(xùn)練遍的梯度歸零，否則它將保留先前訓(xùn)練批次的梯度。

optimizer.zero_grad()

結(jié)論

我一直將本文的重點(diǎn)放在PyTorch的理論和語法上，在第二部分中，我將通過開發(fā)神經(jīng)網(wǎng)絡(luò)來演示PyTorch在數(shù)據(jù)集上的演示。 因此，請(qǐng)繼續(xù)關(guān)注并感謝您的閱讀。 干杯!

參考：
https://classroom.udacity.com/courses/ud188-PyTorch簡(jiǎn)介。

(本文翻譯自Puja Chaudhury的文章《PyTorch: The Basics.》，參考：
https://medium.com/datadriveninvestor/pytorch-the-basics-7005e71cdb83)