在前不久写过一篇《# 小白白也能看懂的 TensorFlow 及其在 AMI 的部署》，关于深度学习框架 TensorFlow 以及云部署。

本篇带来另一个著名的深度学习框架 —— PyTorch

冲~

TensorFlow vs PyTorch

从编程风格上来说，TensorFlow 有点像在写计划书：需要首先定义整个计算图（模型的结构和运算过程），然后再填充数据并执行。这样，虽然 TensorFlow 在某些情况下可以进行更多的优化，但也可能使代码看起来有些冗长。

而 PyTorch 更像是在进行对话，可以动态地构建、修改和执行计算图，这使得代码更易读、更接近 Python 编程的方式。

对于初学者来说，PyTorch 更容易上手，因为它的语法和编程风格更直观。TensorFlow 在 2.0 版本以后引入了 Eager Execution 模式，更接近 PyTorch，因此入门难度也相对降低。

社区生态方面，TensorFlow 有一个庞大的用户社区和丰富的生态系统，从部署到生产环境，适用于各种应用。而PyTorch 在科研领域更受欢迎；

对比表格如下：

TensorFlow 有很多著名的应用，比如：Google的 BERT 模型就是使用 TensorFlow 开发的；还包括 ImageNet 图像分类、人脸识别、目标检测、图像分割等视觉类应用，以及语音识别、强化学习 AlphaGo 方面等；PyTorch 以其直观的动态计算图和易用性为标识，在学术界非常受欢迎。

TensorFlow 由 Google 开发，PyTorch 由 Facebook 开发。

上手 PyTorch

首先，安装 PyTorch：可以在 PyTorch 官方网站上找到适用于不同操作系统的安装指南。通常，可以使用 pip 或conda 来安装 PyTorch。

使用pip安装PyTorch：

1. 打开终端（命令提示符）。
2. 使用以下命令安装PyTorch。根据您的需求和系统选择适当的安装选项：

• 使用 CPU 版本的 PyTorch（没有 GPU 支持）：
• pip install torch
• 使用 GPU 版本的 PyTorch（需要具备支持 CUDA 的 GPU）：
• pip install torch==1.0.0 torchvision==0.2.1
• 可以根据需求调整版本号；

使用conda安装PyTorch：

1. 如果使用 conda 进行环境管理，首先创建一个新的 conda 环境（可选建议）：

conda create -n myenv python=3.8
conda activate myenv

2. 然后使用 conda 安装PyTorch，选择适合系统的命令。例如，安装 CPU 版本的 PyTorch：

conda install pytorch torchvision cpuonly -c pytorch

安装 GPU 版本，执行以下命令：

rCopy code
conda install pytorch torchvision cudatoolkit=11.1 -c pytorch

安装完成后，可以在 Python 环境中导入 PyTorch 并开始使用它。

import torch

# 创建一个空的张量
x = torch.Tensor()

# 创建一个包含特定数据的张量
y = torch.tensor([1, 2, 3])

# 张量操作
a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])

c = a + b  # 加法操作
d = a * 2  # 乘法操作
e = a[1]   # 索引操作

PyTorch 内置了自动求导功能，允许构建和训练深度学习模型；使用 requires_grad=True 来启用梯度跟踪：

x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x**2
z = y.sum()
z.backward()  # 计算梯度
print(x.grad)  # 访问梯度

构建神经网络：

使用 torch.nn 模块构建：定义模型类，定义前向传播方法，并使用层来构建网络。例如，创建一个简单的全连接神经网络：

图片来源

import torch.nn as nn

class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init()
        self.fc1 = nn.Linear(64, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

还可使用 PyTorch 优化器（如torch.optim）和损失函数来训练模型。

定义数据加载器和训练循环，将输入数据传递给模型并计算损失；然后，通过反向传播更新模型的权重；这是深度学习项目的核心部分~

小结

PyTorch 是一个实践驱动的框架，通过亲自编写和运行代码来学习将更加有效；除了框架学习，加强了解深度学习的基本原理、梯度下降、反向传播等知识，也能助于 PyTorch 的操控。后面有机会再展开介绍~Σ( "a