如果您對機器學習感興趣或正在閱讀本文，那么您很有可能以前聽說過PyTorch。 在機器學習開發人員中，這是一個非常著名的框架，由于很好的原因，我們將在本文中進行討論。 另外，如果您只是從神經網絡開始并且具有基礎知識，那么這是一個完美的初學者工具。
好吧，讓我們進入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，Facebook的AI研究實驗室決定建立一個與Torch庫具有相同功能但不包含python的庫，因此命名為PyTorch。 這在開發人員中立即受到打擊，并使編寫代碼更容易，更有效。
認知計算-一種被廣泛認為是……的最重要表現的技能
作為其用戶，我們已逐漸將技術視為理所當然。 這些天幾乎沒有什么比這更普遍了……
趣聞：PyTorch Soumith Chintala的開發人員之一是VIT的校友，而這恰好是我目前就讀的我的大學！
Pytorch與Tensorflow
我覺得在PyTorch和Tensorflow之間總是有一個比較，因為它們使用不同的方法來解決問題，因此我認為這是不必要的，并且根據數據集和算法，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潔的文章。
是什么使Pytorch成為一個好的框架？
· 命令式編程：在PyTorch中，計算會立即運行，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。 這對于像我這樣急躁的程序員來說是個好兆頭，他們希望在每一行代碼之后都能看到結果。 這還允許在python中提供更靈活的編碼體驗，并且更受性能驅動。
> Source:https://medium.com/@vincentbacalso/imperative-vs-declarative-programming
2.動態計算圖：動態計算圖框架是一個由庫，接口和組件組成的系統，這些庫，接口和組件提供了靈活的，編程的，運行時接口，通過連接有限但可能可擴展的一組操作來促進系統的構建和修改。 因此，基本上，PyTorch遵循運行定義的原理，這對于像RNN這樣的非固定大小的網絡非常有用。
> Source: Hackernoon.com
1. Autograd：此類是計算導數的引擎（更精確地說，是Jacobian矢量積）。 它記錄了在啟用梯度的張量上執行的所有操作的圖，并創建了一個稱為動態計算圖的非循環圖。 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梯度相乘來計算梯度。
torch.nn.Autograd.Function
> Source: Udacity.com
Pytorch的常用功能
· torch.sum（）：加法
(a*b).sum()
1. torch.mm（）：點積。
#torch.nm(a,b)
1. torch.randn（）：生成矩陣隨機數
torch.manual_seed(7)
# Set the random seed so things are predictable
x = torch.randn(2,2)
1. torch.exp（）：計算指數
Sigmoid=1/(1+torch.exp(-x))
1. PyTorch提供了一個模塊nn，它使構建網絡更加簡單。
from torch import nn
-nn.Linear（）：此行創建用于線性變換+的模塊。
類似地，以下函數可用于計算相應的激活函數。
-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.損失計算
criterion = nn.CrossEntropyLoss()
criterion = nn.NLLLoss()
criterion = nn.LogSoftmax()
1. Autograd：Autograd的工作原理是跟蹤對張量執行的操作，然后回溯這些操作，并計算沿途的梯度。
-loss.backward（）計算用于計算參數的梯度。 這些梯度用于通過梯度下降來更新權重。
loss.backward()
optimizer.zero_grad（）將每個訓練遍的梯度歸零，否則它將保留先前訓練批次的梯度。
optimizer.zero_grad()
結論
我一直將本文的重點放在PyTorch的理論和語法上，在第二部分中，我將通過開發神經網絡來演示PyTorch在數據集上的演示。 因此，請繼續關注并感謝您的閱讀。 干杯!
參考：
https://classroom.udacity.com/courses/ud188-PyTorch簡介。
(本文翻譯自Puja Chaudhury的文章《PyTorch: The Basics.》，參考：
https://medium.com/datadriveninvestor/pytorch-the-basics-7005e71cdb83)
