pytorch用来干嘛的
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序，它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）；2、包含自动求导系统的深度神经网络。
一、pytorch有什么用
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。
2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：
1、具有强大的GPU加速的张量计算（如NumPy）。
2、包含自动求导系统的深度神经网络。
PyTorch使用Python作为开发语言，允许开发人员访问广泛的Python生态圈库和软件。 而在PyTorch开发中，数据处理型与数据计算包Numpy的矩阵型、代码样式型机器学习包scikit-learn相似，便于广大机器学习者进入深度学习这一新领域。
目前，许多开源框架(如TensorFlow、Caffe2、CNTK和Theano )采用静态计算图，而PyTorch采用动态计算图。 在静态计算图表中，必须先定义网络模型，然后运行，一次定义并运行多次。 动态计算图表可以在运行中定义，可以在运行时构建，多次构建并运行。
静态图的实现代码是冗馀的，不直观的。 动态图的实现简洁优雅，直观。 动态计算图表的另一个显著优点是易于调试，并且可以随时查看变量值。 由于模型可能会变得复杂，因此如果可以直观地看到变量值，就可以快速构建模型。 PyTorch的API设计简单优雅，使用方便。
二、pytorch的运行环境
已兼容Windows(CUDA,CPU)、MacOS(CPU)、Linux(CUDA,ROCm,CPU) 。
基础环境：一台PC设备、一张高性能NVIDIA显卡(可选)、Ubuntu系统。
三、pytorch的优点
- PyTorch是相当简洁且高效快速的框架
- 设计追求最少的封装
- 设计符合人类思维，它让用户尽可能地专注于实现自己的想法
- 与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新
- PyTorch作者亲自维护的论坛 供用户交流和求教问题
- 入门简单
拓展阅读
PyTorch 库深度学习流程
- 数据加载和处理
任何深度学习项目的第一步都是处理数据加载和处理。PyTorch 通过torch.utils.data提供相同的实用程序。该模块中的两个重要类是Dataset和DataLoader。如果我们可以访问多台机器或 GPU，我们也可以使用torch.nn.DataParallel和torch.distributed。
- 构建神经网络
torch.nn模块用于创建神经网络。它提供了所有常见的神经网络层，如全连接层、卷积层、激活和损失函数等。一旦创建了网络架构并且准备好将数据馈送到网络，我们就需要更新权重和偏差的，以便网络开始学习。这些实用程序在torch.optim模块中提供。类似地，对于反向传递期间所需的自动微分，我们使用torch.autograd模块
- 模型推断和兼容性
模型经过训练后，可用于预测测试,甚至测试新数据集的输出。这个过程被称为模型推理。
PyTorch 还提供TorchScript，可用于独立于 Python 运行时运行模型。这可以被认为是一个虚拟机，其指令主要针对张量。还可以将使用 PyTorch 训练的模型转换为 ONNX 等格式，这样就可以在其他 DL 框架（例如 MXNet、CNTK、Caffe2）中使用这些模型。
