PyTorch简介及环境搭建

本文主要包含PyTorch的基本介绍，以及安装方法。

---

前言

当前，人工智能正越来越火爆。特别是在AlphaGo击败围棋世界冠军后，人工智能逐渐进入大众视野，并得到了飞速的发展。
目前深度学习是人工智能的主流，这也代表随着人们的研究，人工智能走下了“神坛”，开始被运用在各个领域，如医学等。基于此，很多公司推出了各种形式的深度学习框架。
PyTorch和Tensorflow是目前最火的两个深度学习框架，两者在不同方面也有各自的优势。本文主要介绍PyTorch，及其安装。

---

PyTorch简介

PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebook的人工智能研究小组开发。Uber的"Pyro"也是使用的这个库。

PyTorch作用

PyTorch是一个Python包，提供两个高级功能：

• 具有强大的GPU加速的张量计算(如NumPy)。
• 包含自动求导系统的的深度神经网络。

对比PyTorch和Tensorflow

没有好的框架，只有合适的框架，这篇知乎文章有个简单的对比，所以这里就不详细再说了。 并且技术是发展的，知乎上的对比也不是绝对的，比如Tensorflow在1.5版的时候就引入了Eager Execution机制实现了动态图，PyTorch的可视化，windows支持，沿维翻转张量等问题都已经不是问题了。

PyTorch大版本的主要更新

1. 2018-04-25
   (1) 支持 Windows 系统
   (2) Tensor/Variable 合并，取消Variable

2. 2018-12-8
   (1) Torch Hub 预训练的模型库
   (2) JIT 编译器
   (3) C++ 前端 （实验性）
   (4) 全新的分布式包torch.distributed和 torch.nn.parallel.DistributedDataParallel

3. 2019-5-1
   (1) 支持 TensorBoard ： from torch.utils.tensorboard import SummaryWriter
   (2) 不再支持CUDA 8.0
   (3) TORCHVISION 0.3

4. 2019-8-9
   (1) 官方实现标准的 nn.Transformer 模块
   (2) CUDA 9.2 +
   (3) TORCHVISION 0.4
   (4) D API（Domain API）：torchvision、torchtext 和 torchaudio

5. 2019-10-11
   (1) 命名张量（实验性） named tensor
   (2) 量化支持 用 eager 模式进行 8 位模型量化
   (3) 谷歌云 TPU
   (4) PyTorch Mobile 移动端 从 Python 到部署在 iOS 和安卓端

6. 2020-1-16
   (1) optim.lr_scheduler 持「链式更新(chaining)」。即可以定义两个 schedulers，并交替在训练中使用。
   (2) Java bindings（实验性） Java bindings 从任何 Java 程序中调用 TorchScript 模型，只支持linux
   (3) 分布式模型并行训练RPC （实验性）

7. 2020-4-21
   (1) C++ 前端 API（稳定型）
   (2) 分布式 RPC 框架 API（稳定型）
   (3) 不再支持 Python 2
   (4) TORCHVISION 0.6

8. 2020-7-29
   (1) 官方 自动混合精度（AMP）训练 torch.amp,不需要nv的apex
   (2) torch.autograd.profiler 内存分析器 （测试版）
   (3) 不支持python 3.5 以前版本
   (4) TORCHVISION 0.7
   (5) TORCHAUDIO 0.6
   (6) Pytorch1.6版本开始，PyTorch 的特性将分为 Stable（稳定版）、Beta（测试版）和 Prototype（原型版）

9. 2020-10-29
   (1) 支持CUDA 11：CUDA 9.2 - 11
   (2) 通过 torch.fft 支持 NumPy 兼容的 FFT 操作（测试版）
   (3) Windows 系统上的分布式训练：DistributedDataParallel和集合通信提供了原型支持（原型版）
   (4) 支持Nvidia A100的 原生TF32格式
   (5) PyTorch Mobile支持iOS和Android，CocoaPods和JCenter，并分别提供了二进制软件包
   (6) TORCHVISION 0.8

10. 2021-03-05
    (1) 支持一部分的AMD GPU（测试版）
    (2) Complex Autograd （测试版）
    (3) 提高 NCCL 稳定性，包括异步错误/超时处理，RPC 分析
    (4) torch.fft 已经更新为（稳定版），也就是可以在生产环境中使用了
    (5) 新增torch.linalg，为常见的线性代数运算提供与 NumPy 类似的支持（测试版）
    (6) torch.fx （测试版）可以进行 Python 代码转换
    (7) pipeline 并行化（测试版）可将 pipeline 并行化作为训练 loop 的一部分

11. 2021-06-16
    (1) torch.linalg,Complex Autograd 已经更新为（稳定版）
    (2) torch.norm 已经弃用了，需要使用 torch.linalg.norm
    (3) TorchVision库已经可以在IOS/Android上使用
    (4) PyTorch Profiler（测试版）: 利用Kineto进行GPU分析，TensorBoard 进行可视化，PyTorch使用教程和文档都已经完善
    (5) TorchVision 0.10：添加了新的SSD和SSDLite模型
    (6) TorchAudio 0.9.0：可在非Python 环境（包括C++、Android和iOS）中部署的wav2vec 2.0模型
    (7) TorchText 0.10.0：添加了一个新的高性能Vocab模块

12. 2021-10-22
    (1) 支持Android NNAPI （测试版）
    (2) torch.fx 已经变为稳定版，也就是说可以在生产上用了
    (3) torch.special、nn.Module 参数化（稳定版）
    (4) 分布式训练的Remote Module、DDP Communication Hook、ZeroRedundancyOptimizer也都变为稳定版

PyTorch总结

• PyTorch算是相当简洁优雅且高效快速的框架。
• 设计追求最少的封装，尽量避免重复造轮子。
• 算是所有的框架中面向对象设计的最优雅的一个，设计最符合人们的思维，它让用户尽可能地专注于实现自己的想法。
• 大佬支持，与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新。
• 不错的的文档（相比FB的其他项目，PyTorch的文档简直算是完善了，参考Thrift），PyTorch作者亲自维护的论坛供用户交流和求教问题。
• 入门简单。

---

PyTorch环境搭建

PyTorch的安装十分简单，根据PyTorch官网，对系统选择和安装方式等灵活选择即可。这里以anaconda为例，简单的说一下步骤和要点。 国内安装anaconda建议使用清华镜像。

安装PyTorch

PyTorch是Python的一个库，可以直接使用pip进行安装，经过测试 pip是没有任何问题的。

PyTorch可以根据个人需要安装cpu版或gpu版：
1.cpu版安装
如果没有gpu资源，只需要下载cpu版本的话，可以打开命令提示符，输入以下命令：

pip install torch==1.5.1+cpu torchvision==0.6.1+cpu -f https://download.pytorch.org/whl/torch_stable.html

2.gpu版安装
gpu版本需要先配置cuda资源，cuda的配置不在这里做过多的介绍。
gpu版安装命令如下：

pip3 install torch===1.5.1 torchvision===0.6.1 -f https://download.pytorch.org/whl/torch_stable.html

在1.2版本以后，pytorch只支持cuda 9.2以上了，所以需要对cuda进行升级，目前测试大部分显卡都可以用，包括笔记本的MX250也是可以顺利升级到cuda 10.1。

验证安装

打开python输入：

import torch
torch.__version__
# 得到结果'1.5.0'

配置 Jupyter Notebook

新建的环境是没有安装 ipykernel 的, 所以无法注册到Jupyter Notebook中，先要准备下环境。
在命令提示符中输入以下两条命令：

#安装ipykernel
conda install ipykernel
#写入环境
python -m ipykernel install  --name pytorch --display-name "Pytorch for Deeplearning"

下一步就是定制 Jupyter Notebook。输入以下两条命令：

#切换回基础环境
activate base
#创建jupyter notebook配置文件
jupyter notebook --generate-config
## 这里会显示创建jupyter_notebook_config.py的具体位置

打开jupyter_notebook_config.py文件，修改数字：

c.NotebookApp.notebook_dir = '' 默认目录位置
c.NotebookApp.iopub_data_rate_limit = 100000000 这个改大一些否则有可能报错

如果是用pycharm打开的话，可以使用 ctrl+f 快速查找以上位置。

测试配置

至此 Pytorch 的开发环境安装完成，可以在开始菜单中打开Jupyter Notebook 在New 菜单中创建文件时选择Pytorch for Deeplearning 创建PyTorch的相关开发环境了。

问题解决

问题1：启动python提示编码错误
解决方法：删除 .python_history
问题2：默认目录设置不起效
打开快捷方式，看看快捷方式是否跟这个截图一样，如果是则删除 %USERPROFILE% 改参数会覆盖掉notebook_dir设置，导致配置不起效。

---

如果没有问题，那么恭喜你，PyTorch已经安装成功！

本文主要参考PyTorch中文手册，如果想了解更多PyTorch内容，可以参考以下链接：
https://handbook.pytorch.wiki/index.html