如果您对机器学习感兴趣或正在阅读本文，那么您很有可能以前听说过PyTorch。 在机器学习开发人员中，这是一个非常著名的框架，由于很好的原因，我们将在本文中进行讨论。 另外，如果您只是从神经网络开始并且具有基础知识，那么这是一个完美的初学者工具。

好吧，让我们进入PyTorch的精髓吧？

PyTorch的历史

Torch最初是用Lua编写的，这种用法并不常见，很难理解，而且它没有Python提供的一半功能。

因此，在2017年，Facebook的AI研究实验室决定建立一个与Torch库具有相同功能但不包含python的库，因此命名为PyTorch。 这在开发人员中立即受到打击，并使编写代码更容易，更有效。

认知计算-一种被广泛认为是……的最重要表现的技能

作为其用户，我们已逐渐将技术视为理所当然。 这些天几乎没有什么比这更普遍了……

趣闻：PyTorch Soumith Chintala的开发人员之一是VIT的校友，而这恰好是我目前就读的我的大学！

Pytorch与Tensorflow

我觉得在PyTorch和Tensorflow之间总是有一个比较，因为它们使用不同的方法来解决问题，因此我认为这是不必要的，并且根据数据集和算法，一种方法要比另一种效果更好。 但是，如果您仍然好奇，可以在这里查看这篇非常简洁的文章。

是什么使Pytorch成为一个好的框架？

· 命令式编程：在PyTorch中，计算会立即运行，这意味着用户无需等待编写完整的代码即可检查其是否有效。 这对于像我这样急躁的程序员来说是个好兆头，他们希望在每一行代码之后都能看到结果。 这还允许在python中提供更灵活的编码体验，并且更受性能驱动。

> Source:https://medium.com/@vincentbacalso/imperative-vs-declarative-programming

2.动态计算图：动态计算图框架是一个由库，接口和组件组成的系统，这些库，接口和组件提供了灵活的，编程的，运行时接口，通过连接有限但可能可扩展的一组操作来促进系统的构建和修改。 因此，基本上，PyTorch遵循运行定义的原理，这对于像RNN这样的非固定大小的网络非常有用。

> Source: Hackernoon.com

1. Autograd：此类是计算导数的引擎（更精确地说，是Jacobian矢量积）。 它记录了在启用梯度的张量上执行的所有操作的图，并创建了一个称为动态计算图的非循环图。 该图的叶子是输入张量，根是输出张量。 通过从根到叶跟踪图并使用链法则将每个梯度相乘来计算梯度。

torch.nn.Autograd.Function

> Source: Udacity.com

Pytorch的常用功能

· torch.sum（）：加法

(a*b).sum()

1. torch.mm（）：点积。

#torch.nm(a,b)

1. torch.randn（）：生成矩阵随机数

torch.manual_seed(7)

# Set the random seed so things are predictable

x = torch.randn(2,2)

1. torch.exp（）：计算指数

Sigmoid=1/(1+torch.exp(-x))

1. PyTorch提供了一个模块nn，它使构建网络更加简单。

from torch import nn

-nn.Linear（）：此行创建用于线性变换+的模块。

类似地，以下函数可用于计算相应的激活函数。

-nn.Sigmoid（）

-nn.Softmax（）

self.output = nn.Linearse

lf.sigmoid = nn.Sigmoid()

self.softmax = nn.Softmax(dim=1)

#columnwise

1. nn.Sequential：使用此方法，我们可以依次通过操作传递张量。

model = nn.Sequential(nn.Linear(input_size, hidden_sizes[0]), nn.ReLU(), nn.Linear(hidden_sizes[0], hidden_sizes[1]), nn.ReLU(), nn.Linear(hidden_sizes[1], output_size), nn.Softmax(dim=1))

7.损失计算

criterion = nn.CrossEntropyLoss()

criterion = nn.NLLLoss()

criterion = nn.LogSoftmax()

1. Autograd：Autograd的工作原理是跟踪对张量执行的操作，然后回溯这些操作，并计算沿途的梯度。

-loss.backward（）计算用于计算参数的梯度。 这些梯度用于通过梯度下降来更新权重。

loss.backward()

optimizer.zero_grad（）将每个训练遍的梯度归零，否则它将保留先前训练批次的梯度。

optimizer.zero_grad()

结论

我一直将本文的重点放在PyTorch的理论和语法上，在第二部分中，我将通过开发神经网络来演示PyTorch在数据集上的演示。 因此，请继续关注并感谢您的阅读。 干杯!

参考：
https://classroom.udacity.com/courses/ud188-PyTorch简介。

(本文翻译自Puja Chaudhury的文章《PyTorch: The Basics.》，参考：
https://medium.com/datadriveninvestor/pytorch-the-basics-7005e71cdb83)