一、Pytorch的introduction

PyTorch是由Facebook人工智能研究小组开发的一种基于Lua编写的Torch库的Python实现的深度学习库，目前被广泛应用于学术界和工业界，而随着Caffe2项目并入Pytorch， Pytorch开始影响到TensorFlow在深度学习应用框架领域的地位。总的来说，PyTorch是当前难得的简洁优雅且高效快速的框架。因此本课程我们选择了PyTorch来进行开源学习。

二、Pytorch与Tensorflow的对比

更加简洁
上手快
良好的文档和社区支持
更好的调试代码
　　PyTorch是一个动态的框架，而TensorFlow是一个静态的框架。使用TensorFlow时，必须先搭建好网络的结构，然后使用预先留出的几个占位符作为样本输入和label输入，这就像是通过开了几个洞的木板进行交互，中途无法对计算的流程进行更改。
　　TensorFlow必须运行会话才能得到运行的结果，而且网络必须努力构造以确保每个张量具有正确的维度

三、Pytorch安装教程

1、检查自己的电脑是否具有可支持深度学习的显卡(NVIDIA)
2、查看自己的电脑是否完成了CUDA与CUDNN安装成功
以笔者的电脑为例子

从图中的系统信息可以看出其支持的CUDA的版本是11.1，因此需要前往英伟达官网，下载好对应的CUDAToolkit以及通过一些操作，能够登录到英伟达的官网，去下载关于CUDA的CUDNN的工具，在下载的时候，最好选择local而不要选择net的
最终安装成功的样子是这样的
3、安装pytorch
如果使用者的电脑没有GPU的话，可以在命令行下直接输入命令

pip install pytorch -i https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main

如果使用者的电脑有GPU的话，可以通过pip的命令或者通过pytorch的wheel文件进行下载

这里有一点要注意的，比如说需要下载torchvision的时候，需要先下载后torchvision，并成功安装后，才能安装pytorch的gpu版本，不然的话会出现安装完pytorch的gpu版本，在安装torchvision的时候，就会出现自动覆盖掉pytorch的gpu版本的"sao操作"

这里笔者提供了几个比较有用的网站

4、检查安装成功
这里以显示GPU版本的Pytorch作为介绍
在这里插入图片描述
这里给出关于pytorch和cuda直接对应的适配表
请添加图片描述

四、Pytorch基础知识

x = torch.ones(2, 2, requires_grad=True)
首先通过内置的数据集或者外源数据集，若把数据集从内部产生，则无需要重写dataloader的函数，相反是自定义的数据集则需要重写部分的dataloader的函数，这里笔者通过一个时装Mnist识别分类

五、PyTorch模型定义的方式

模型构造类 (nn.Module)

各个部分的初始化（init）；数据流向定义（forward）

Sequential

class MySequential(nn.Module):
    from collections import OrderedDict
    def __init__(self, *args):
        super(MySequential, self).__init__()
        if len(args) == 1 and isinstance(args[0], OrderedDict): # 如果传入的是一个OrderedDict
            for key, module in args[0].items():
                self.add_module(key, module)  # add_module方法会将module添加进self._modules(一个OrderedDict)
        else:  # 传入的是一些Module
            for idx, module in enumerate(args):
                self.add_module(str(idx), module)
    def forward(self, input):
        # self._modules返回一个 OrderedDict，保证会按照成员添加时的顺序遍历成
        for module in self._modules.values():
            input = module(input)
        return input

import torch.nn as nn
net = nn.Sequential(
        nn.Linear(784, 256),
        nn.ReLU(),
        nn.Linear(256, 10), 
        )
print(net)