一文带你入门PyTorch

1 PyTorch简介

PyTorch 是一个开源的机器学习库，提供了强大的计算能力和灵活的用于构建和训练神经网络的工具。它的核心特点包括：

动态图计算：与其他机器学习库（如 TensorFlow）不同，PyTorch 允许在运行时动态构建计算图，这使得可以使用 Python 控制流操作（如 if、for、while）来构建模型。

快速 GPU 加速：PyTorch 提供了与 CUDA 相关的 API，可以使用 GPU 加速计算。这使得可以使用 PyTorch 训练大型深度学习模型，而无需太多编码工作。

简单易用：PyTorch 提供了丰富的 API 和数据结构，使得机器学习任务变得简单易用。同时，它还与其他机器学习库（如 NumPy）相集成，使得可以方便地将 PyTorch 与其他库集成在一起。

PyTorch 适用于各种机器学习任务，包括图像分类、自然语言处理、生成对抗网络（GAN）等。它已被广泛应用于学术界和工业界，并被许多公司和组织用于实际应用中。

2 PyTorch张量

正常情况下，我们会直接定义一个变量以及进行变量的加减。

x = 10
y = 2*x*x+3
print(x,y)
# 10 103

但如果使用Pytorch定义变量的话，会以张量（tensor）的形式存在。使用张量进行赋值计算的新变量，也会成为张量。

x = torch.tensor(10)
print(x)
#tensor(10)

y = 2*x*x+3
print(y)
#tensor(203)

在深度学习里，Tensor实际上就是一个多维数组（multidimensional array）。而Tensor的目的是能够创造更高维度的矩阵、向量。

3 PyTorch的自动求导机制

3.1单变量求导

自动求导机制是PyTorch相比numpy的最重要区别之一。我们在创建张量的时候，需要给Torch一个额外的参数：require_grad=True。这个参数的意思是：梯度反传时对该 Tensor 计算梯度。

x = torch.tensor(10.0, requires_grad=True)
print(x)

此时的打印结果是tensor(10., requires_grad=True)。可以发现上面的代码输入的还是10，这次我改成了10.0，是因为如果进行求导的话，torch要求的数据格式是float类型而不能是int类型。

y = 2*x*x+3
print(y)

此时的打印结果是tensor(203., grad_fn=)，可以看到y也随之发生了变化。接下来我们来计算梯度。

y.backward()
print(x.grad)

此时的打印结果是tensor(200.)，这里backward函数完成了计算梯度工作，而x.grad则为在x点的梯度值。

3.2多变量求导与链式求导

在实际的神经网络建模中，一定不只一个节点和一个中间层，因此多变量求导与链式求导是常态，Torch对此也是完美支持。
假设此时我们增加一个变量z，z是y的函数，y是x的函数，那么当我们需要求dz/dx时，就需要用来链式求导法则。

import torch

x = torch.tensor(10.0, requires_grad=True)

y = 2*x*x+3
z = 5*y+6

z.backward()
print(x.grad)
# tensor(200.)

这个结果与dz/dy * dy/dx 完全相同。
接下来让上面的函数变的更复杂些，加入变量a与b，函数间的关系如下：

这同时也和神经网络更像了，可以把x和a想象成输入层，y和b想象成隐含层，z想象成输出层。如果我们需要求dz/dx，那需要对所有的途径分别求导并相加，也就是：$$\frac{dz}{dx}=\frac{dz}{dy}\ast \frac{dy}{dx}+\frac{dz}{db}\ast \frac{db}{dx}$$
Torch同样可以轻松完成以上操作。

import torch

a = torch.tensor(5.0,requires_grad=True)
x = torch.tensor(10.0, requires_grad=True)

y = 2*x*x+3*a
b = 6*x*a

z = y*y+1/(b*y)

z.backward()
print(x.grad)
# tensor(17200.)

可以看到，PyTorch会根据我们输入的变量关系，计算出z对x的导数。

以上内容并未覆盖Pytorch的全部内容，但是包含了神经网络建模的大多知识点与相关思想。如果希望进一步了解Pytorch，可以查看下一篇博文，如何使用Pytorch搭建一个简单的三层神经网络模型（撰写中）。