pytorch和python什么关系_Pytorch是什么？关于Pytorch！ - pytorch中文网

PyTorch是一个提供两个高级功能的python包：

具有强GPU加速度的张量计算(如numpy)

深层神经网络建立在基于磁带的自动调整系统上

您可以重用您最喜爱的python软件包，如numpy，scipy和Cython，以便在需要时扩展PyTorch。

PyTorch在细粒度级别是由以下组件组成的库：

包 描述

torch 像NumPy这样的Tensor图书馆，拥有强大的GPU支持

torch.autograd 一种基于磁带的自动分类库，支持所有可区分的Tensor操作手电筒

torch.nn 一个神经网络库与autograd设计了最大的灵活性torch.optim 一种与torch.nn一起使用的优化包，具有标准优化方法，如SGD，RMSProp，LBFGS，Adam等。

torch.multiprocessing python多处理，但是具有魔法内存共享的手电筒传感器跨过程。适用于数据加载和hogwild培训。torch.utils DataLoader，Trainer等实用功能为方便起见

torch.legacy(.nn / .optim) 由于向后兼容性原因，已经从割炬移植的旧代码

通常使用PyTorch可以：

使用GPU的功能代替numpy。

一个深刻的学习研究平台，提供最大的灵活性和速度

进一步阐述：

GPU准备好的Tensor库

如果你使用numpy，那么你已经使用了Tensors(aka ndarray)。

PyTorch提供可以在CPU或GPU上生活的Tensors，并加速计算量。

我们提供各种各样的张量程序，以加速和适应您的科学计算需求，如切片，索引，数学运算，线性代数，缩减。他们快！

动态神经网络：基于磁带的自动格式

PyTorch具有构建神经网络的独特方式：使用和重放磁带录音机。

大多数框架，比如请输入代码TensorFlow，Theano，Caffe和CNTK拥有世界的静态视图。必须建立一个神经网络，并重复使用相同的结构。改变网络的行为方式意味着必须从头开始。

使用PyTorch，我们使用一种称为反向模式自动分化的技术，它允许您以零延迟或开销改变网络的任意运行方式。我们的灵感来自于在这个题目的几个研究论文，以及当前和过去的工作，如 autograd， autograd， Chainer等。

虽然这种技术并不是PyTorch所特有的，但它是迄今为止最快的实现之一。您可以为您的疯狂研究获得最佳的速度和灵活性。

Python第一

PyTorch不是一个Python绑定到一个单一的C ++框架。它被构建为深入整合到Python中。您可以自然地使用它，就像您将使用numpy / scipy / scikit学习等。您可以使用自己喜欢的库并使用Cython和Numba等软件包，在Python本身编写新的神经网络层。我们的目标是不要在适当的时候重塑轮子。

势在必得的经验

PyTorch的设计是直观的，线性的思想和易于使用。当您执行一行代码时，它将被执行。没有一个异步的世界观。当您进入调试器或接收错误消息和堆栈跟踪时，理解它们是直接的。堆栈跟踪正好指向您的代码定义的位置。我们希望您不要花费几个小时来调试代码，因为堆栈跟踪错误或异步和不透明的执行引擎。

快速和精益

PyTorch具有最小的框架开销。我们集成加速库，如英特尔MKL和NVIDIA(CuDNN，NCCL)，以最大限度地提高速度。核心是CPU和GPU Tensor和神经网络后端(TH，THC，THNN，THCUNN)都是用C99 API写成独立的库。

它们已经成熟，并已经过多年的测试。

因此，PyTorch相当快 - 无论您是运行小型或大型神经网络。

PyTorch的内存使用率与Torch或其他一些替代品相比非常有效。我们为GPU编写了自定义内存分配器，以确保您的深入学习模型具有最大的内存效率。这使您能够训练比以前更大的深入学习模型。

扩展没有痛苦

编写新的神经网络模块，或与PyTorch的Tensor API进行接口的设计是简单而且抽象最少的。

您可以使用torch API 或您喜欢的基于numpy的库(如SciPy)在Python中编写新的神经网络层

如果你想用C / C ++图层，我们根据一个扩展API CFFI是有效的，并以最小的样板。

没有需要编写的包装器代码。你可以在这里看到一个例子。

原创文章，转载请注明 ：Pytorch是什么？关于Pytorch！ - pytorch中文网

原文出处： https://ptorch.com/news/1.html

问题交流群 ：168117787