PyTorch 教程

• 

  简述

  PyTorch 被定义为 Python 的开源机器学习库。它用于自然语言处理等应用程序。它最初是由 Facebook 人工智能研究小组和 Uber 的概率编程 Pyro 软件开发的。

  最初，PyTorch 是由 Hugh Perkins 开发的，作为基于 Torch 框架的 LusJIT 的 Python 包装器。PyTorch 有两种变体。

  PyTorch 在 Python 中重新设计和实现 Torch，同时为后端代码共享相同的核心 C 库。PyTorch 开发人员调整了此后端代码以高效运行 Python。他们还保留了基于 GPU 的硬件加速以及基于 Lua 的 Torch 的可扩展性功能。
• 

  特征

  下面提到了 PyTorch 的主要功能 -

  Easy Interface− PyTorch 提供易于使用的 API；因此它被认为在 Python 上操作和运行非常简单。这个框架中的代码执行非常简单。

  Python usage- 该库被认为是 Pythonic，可以与 Python 数据科学堆栈顺利集成。因此，它可以利用 Python 环境提供的所有服务和功能。

  Computational graphs− PyTorch 提供了一个出色的平台，可提供动态计算图。因此，用户可以在运行时更改它们。当开发人员不知道创建神经网络模型需要多少内存时，这非常有用。

  PyTorch 以具有三个抽象级别而闻名，如下所示 -

  • Tensor - 在 GPU 上运行的命令式 n 维数组。
  • 变量 - 计算图中的节点。这存储数据和梯度。
  • 模块 - 将存储状态或可学习权重的神经网络层。
• 

  PyTorch 的优势

  以下是 PyTorch 的优点 -

  • 很容易调试和理解代码。
  • 它包括许多层作为 Torch。
  • 它包括许多损失函数。
  • 它可以被视为 NumPy 对 GPU 的扩展。
  • 它允许构建结构依赖于计算本身的网络。
• 

  TensorFlow 与 PyTorch

  我们将在下面研究 TensorFlow 和 PyTorch 之间的主要区别 -

  PyTorch	TensorFlow
  PyTorch 与 Facebook 中积极使用的基于 lua 的 Torch 框架密切相关。	TensorFlow 由 Google Brain 开发，并在 Google 积极使用。
  与其他竞争技术相比，PyTorch 相对较新。	TensorFlow 并不新鲜，被许多研究人员和行业专业人士视为一种随身工具。
  PyTorch 以命令式和动态方式包含所有内容。	TensorFlow 包含静态和动态图的组合。
  PyTorch 中的计算图是在运行时定义的。	TensorFlow 不包含任何运行时选项。
  PyTorch 包括针对移动和嵌入式框架的部署。	TensorFlow 更适用于嵌入式框架。

• 

  学习条件

  本教程是为专注于机器学习算法和自然语言处理系统研究和开发的 Python 开发人员准备的。本教程的目的是完整描述 PyTorch 的所有概念以及相同的真实世界示例。

  在继续本教程之前，您需要了解 Python 和 Anaconda 框架（Anaconda 中使用的命令）。了解人工智能概念将是一个额外的优势。