PyTorch——初识PyTorch框架

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第16天，点击查看活动详情

---

本文主要介绍PyTorch的基础知识，PyTorch的优点，案例，PyTorch和Tensorflow的对比，让我们对PyTorch的框架有一个基本的了解。

---

• 1.1 为什么要选择学习PyTorch（PyTorch的优点）？

  • 活跃度：逐渐形成了完整的开发生态，资源多
  • 框架的优雅性
  • 对于初学者的友好型
  • 采用动态图的架构，且运行速度较快
  • 代码简介，易于理解，设计优雅，易于调试
  • 要有线性代数，优化理论，机器学习，深度学习基础
• 在学习中遇到的困难？
  • 深度学习框架太多不知道如何选择
  • 开源代码很多，但阅读和修改起来很吃力
  • 解决实际工程任务时，思路不清晰，不知道如何入手
  • 学术方向选择困难，不知如何开始

• 1.2 PyTorch的一些案例

  • 
  • 
  • 
  • 
  • 
  • 

• 2.1 pytorch框架

  • Facebook人工智能研究员（FAIR）于2017年再GitHub上开源
  • Torch -> PyTorch

• 2.2 PyTorch VS Tensorflow

  • PyTorch 简洁性（编程同Python几乎一致）
    • 动态计算
    • visdom
    • 部署不方便
  • Tensorflow（1.0） 接口复杂
    • 静态图（TF2.0 Eager Execution已经引入动态图）
    • Tensorboard
    • 部署方便（TF serving)

• 2.3 动态图与静态图

  • 动态图就是在编程的时候可以一边编程一边执行，对于静态图，需要先构图，构图就是需要先将网络结构设计好，然后才能在后端运行我们的网络
  • 动态图：编号程序即可执行
  • 静态图：先搭建计算图，后运行；允许编译器进行优化；代码编程复杂，调试不直观