介绍

PyTorch是一个非常有可能改变深度学习领域前景的Python库。我尝试使用了几星期PyTorch，然后被它的易用性所震惊，在我使用过的各种深度学习库中，PyTorch是最灵活、最容易掌握的。

在本文中，我们将讲解如何入门PyTorch，包括基础知识和案例研究。还将分别在numpy和PyTorch中从零开始构建神经网络，以了解它们在实践中的相似处与区别。

PyTorch的概述

PyTorch的创始人说过他们创作的一个准则——他们想成为当务之急。这意味着我们可以立即执行计算。这正好符合Python的编程方法，不需要完成全部代码才能运行，可以轻松的运行部分代码并实时检查。对于我来说把它作为一个神经网络调试器是一件非常幸福的事。

PyTorch是一个基于Python的库，用来提供一个具有灵活性的深度学习开发平台。PyTorch的工作流程非常接近Python的科学计算库——numpy。

现在你可能会问，为什么我们要用PyTorch来建立深度学习模型呢？我可以列出三件有助于回答的事情：

·易于使用的API—它就像Python一样简单。

·Python的支持—如上所述，PyTorch可以顺利地与Python数据科学栈集成。它非常类似于numpy，甚至注意不到它们的差别。

·动态计算图—取代了具有特定功能的预定义图形，PyTorch为我们提供了一个框架，以便可以在运行时构建计算图，甚至在运行时更改它们。在不知道创建神经网络需要多少内存的情况下这非常有价值。

PyTorch的其他一些优点还包括：多gpu支持，自定义数据加载器和简化的预处理器。

自从2016年1月发布以来，许多研究人员将其作为一种“go-to”库，因为它可以轻松地构建新颖的甚至是极其复杂的图形。虽说如此，PyTorch仍有一段时间没有被大多数数据科学实践者采用，因为它是新的而且处于“正在建设”的状态。

深入技术细节

在深入讨论细节之前，让我们先看看PyTorch的工作流程。

PyTorch使用了命令式/热切的范例。也就是说，在构建一个图形时，每一行代码都定义了改图的一个组件。我们甚至能在图形构建完成前，独立的对这些组件进行计算。这就是所谓的“逐运行”方法。

来源：

安装PyTorch非常简单。您可以按照中提到的步骤操作，并根据您的系统规格运行命令。例如，这是我根据我选择的选项使用的命令：

在开始使用PyTorch时应该了解的主要元素：

·PyTorch张量

·数学运算

·Autograd模块

·Optim模块

·神经网络模块

下面让我们依次介绍这些元素吧。

PyTorch张量

张量只是多维数组。PyTorch中的张量类似于numpy的ndarrays，另外，张量也可以在GPU上使用。PyTorch支持。

你可以如下定义一个简单的一维矩阵：

8da9d95d2b4ac4c42806d7c8970b182c06378a03

数学运算

与numpy一样，科学计算库非常重要的一点是能够实现高效的数学功能。而PyTorch提供了一个类似的借口，可以使用200个以上的数学运算。

下面是在PyTorch中实现一个简单的添加操作的例子：

9b928611438a1268106b4eca1b8855f14760e5c7

这和基本的python方法非常相似。我们还可以在定义的PyTorch张量上执行各种矩阵运算。例如，我们要转置一个二维矩阵:

f0e9206f87e0e5b484cdf3c6a17275b61ee3d32f

Autograd模块

PyTorch使用了一种叫做自动微分的技术。也就是说，它会有一个记录我们所有执行操作的记录器，之后再回放记录来计算我们的梯度。这一技术在构建神经网络时尤其有效，因为我们可以通过计算前路参数的微分来节省时间。

来源：

0e7c1155911f80f3f3a8e1d52556963944740708

Optim模块

Torch.optim是一个实现各种优化算法的模块，用于构建神经网络。它支持大多数常用的方法，因此我们不必从头开始构建它们。

下面是使用Adam优化器的代码：

optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

神经网络模块

虽然PyTorch Autograd可以很容易的定义计算图形和使用梯度，但是对于定义复杂的神经网络来说可能有点太低级了。而这就需要神经网络模块来提供帮助。

nn包定义了一组模块，我们可以把它看作是一个神经网络层，它产生输入输出，并且可能有一些可训练的权重。

你可以把nn模块看作是PyTorch的内核!

a7e017f9a1d05503bb02c472ed39fc05107c8c1a

现在您已经了解了PyTorch的基本组件，那么可以轻松地从头构建自己的神经网络了。如果想知道怎么做，就继续往下看吧。

分别在Numpy和PyTorch中构建神经网络并比较

我之前提到过PyTorch和Numpy非常相似，现在让我们看看原因。在本节中，我们将通过实现一个简单的神经网络来解决二进制分类问题。

fbb6946e9cb1e6d660835616c522145336ea3d41

b83b5ef97d94a81103242451b1a3624ea792d806

57f5da3e9e2bde60be91fc2016335d02c2a0153f

现在，试着在PyTorch中以超级简单的方式发现差异（在下面的代码中用粗体表示差异）。

6572f32e204b34dd03b861782061b208b6c28517

0999795514a6688a4d9f2321af2fbd18b0026179

cd4ec39256bf2e3955691e358ea429b45e16cd31

与其它深度学习库比较

通过这个中可以看出，PyTorch训练一个长短期记忆网络（LSTM）的过程比其他所有主要的深度学习库都要出色，因为它在每个时代的中位时间都最低（参考下图）。

PyTorch中用于数据加载的API设计的非常好，它的接口可以在数据集、采样器和数据加载器中指定。并且通过与TensorFlow（读取器、队列等）数据加载工具比较发现，PyTorch的数据加载模块非常容易使用。此外，PyTorch在构建神经网络时是无缝的，所以不必依赖像Keras这样的第三方高层库。

另一方面，我也不建议使用PyTorch进行部署。因为它还尚未发展完美。正如PyTorch开发者说：“我们能够看到，用户会首先创建一个PyTorch模型，当要把模型投入生产时会将其转换为Caffe2模型，之后再运送到移动平台或其他平台。”