【PyTorch学习】PyTorch基础知识

目录

一、Pytorch介绍

1.1 什么是Pytorch

1.2 为何要使用Pytorch

1.3 配置Pytorch深度学习环境

二、Pytorch基础

2.1 Tensor（张量）

2.2 Variable（变量）

2.3 Dataset（数据集）

1. torch.utils.data.Dataset

2. torch.utils.data.TensorDataset

3. torch.utils.data.DataLoader

4. torchvision.datasets.ImageFolder

2.4 nn.Module（模组）

2.5 torch.optim（优化）

1. 一阶优化算法

2. 二阶优化算法

2.6 模型的保存和加载

一、Pytorch介绍

1.1 什么是Pytorch

PyTorch 是 Torch7 团队开发的，从它的名字就可以看出，其与 Torch 的不同之处在于 PyTorch 使用了 Python 作为开发语言。

PyTorch 既可以看做加入了 GPU 支持的 numpy，同时也可以看 成一个拥有自动求导功能的强大的深度神经网络，除了 Facebook之外，它还已经被 Twitter、CMU 和 Salesforce 等机构采用。

1.2 为何要使用Pytorch

掌握一个框架并不能一劳永逸，现在深度学习并没有谁拥 有绝对的垄断地位。多学一个框架，以备不时之需。
Tensorflow 与 Caffe 都是命令式的编程语言，而且是静态的，首先必须构建一个神经网络，然后一次又一次使用同样的结构， 如果想要改变网络的结构，就必须从头开始。但是对于 PyTorch，通过一种反向自动求导的技术，可以让你零延迟地任意改变神经网络的行为，尽管这项技术不是 Pytorch 独有，但目前为止它实现是最快的，能够为你任何疯狂想法的实现获得最高的速度和最佳的灵活性， 这也是 PyTorch 对比 Tensorflow 最大的优势。
Pytorch 的设计思路是线性、直观且易于使用的。
Pytorch 的代码相对于 Tensorflow 而言，更加简洁直观，同 时对于 Tensorflow 高度工业化的很难看懂的底层代码，Pytorch的源代码就要友好得多，更容易看懂。

PyTorch的特点：

支持GPU
动态神经网络
Python优先
命令式体验
轻松扩展
1.3 配置Pytorch深度学习环境

安装GPU版本的Pytorch链接： 

https://blog.csdn.net/weixin_40431584/article/details/105119633

二、Pytorch基础

2.1 Tensor（张量）

PyTorch 里面处理的最基本的操作对象就是 Tensor，Tensor 是张量的英文，表示的是一个多维的矩阵，比如零维就是一个点，一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和 numpy 是对应的，而且 PyTorch 的 Tensor 可以和 numpy的ndarray相互转换，唯一不同的是PyTorch可以在GPU上运行，而numpy的ndarray只能在CPU上运行。

常用的不同数据类型的Tensor：

32位浮点型torch.FloatTensor
64位浮点型 torch.DoubleTensor

 1/7    1 2 3 4 5 6 下一页 尾页