1、安装和基础知识

因为有些许的基础，所以这个笔记只说重点

1.1 pytorch简介

pytorch最流行，因为本身经过改版后和python能够无缝衔接，同时又是动态图，容易调试。

但是在这里虽然是学习pytorch的，也不能对其他诸如tensorflow的框架完全嗤之以鼻，就像机器学习中的“没有免费午餐定理”一样，没有哪个框架在所有方面都是最好的，所有当做工具就像，大锤子小锤子，铁锤子钢锤子都能砸钉子。在这里，这几个字框架都是由“自动微分”而来的，本质一样。

1.2 安装

Anaconda/miniconda+Pytorch+ IDE 

其实没啥好总结，为什么，因为你每次安装都是得百度，总结无法涵盖所有报错

1.3 学习资源

①《PyTorch深度学习实践》完结合集

10.卷积神经网络（基础篇）_哔哩哔哩_bilibili

②官方文档

③集智学院的pytorch入门，讲微分机制和框架啊那里，特别的好

以上为自己的体验和总结

2 基础知识

2.1 张量

首先要明白一个问题，为什么要有张量，有人会说要自动微分啊，回答对了一半，最初pytorch中张量tensor里面其实并没有自动微分，variable里面才有，那为什么最初要有tensor。这就需要涉及和numpy的对比了，numpy速度快，使用上又类似matlab简单受到大家欢迎，但是在深度学习，尤其是图像和序列中，我需要随时对维度进行处理，同时也需要广播机制，ndarray满足不了，所以才设计了tensor变量，当然后续pytorch也把variable里的autograd加到tensor里了，默认关闭，需要建立模型就加进去开启呗。

张量创建，可以直接也可以从nunmpy转

① 直接：torch,rand(4,3)，其中rand经常出现在各个数据构造中，其实就是[0,1)之间的均匀分布，为什么是0~1，因为常用

② 和numpy转：torch.from_numpy(data)，想转成numpy就更简单了，a.numpy()就行

2.2 自动求导

首先定义变量，x=torch.randn(3,3,requires_grad=True)，下面通过运算得到result，一句result.backward()就行了，是不是很牛逼，你前面学了那么多微分，推导了那么多，结果在程序里就一在变量中把requires_grad打开，结果中.backward()加上就行了。另外这些自动微分机制能用在其他比如概率深度学习中，无他，就是用自动微分机制的，因为太好用了。有一定基础的可能会联想到cv和nlp，对应领域nn.module里可用的更多，你连requires_grad都不用设置，直接用。

2.3 并行计算

没拿玄乎，并行是相对于cpu讲的，说白了就是cuda，因此计算需要并行，直接data.cuda()就齐活了