今天我将讲解PyTorch深度学习框架的一些基础知识。希望对大家了解PyTorch有所帮助！1.PyTorchPyTorch是一个基于Torch的Python机器学习框架。它是由Facebook的人工智能研究团队于2016年开发的，解决了Torch因为Lua编程语言不流行的问题，所以使用广泛集成的Python编程语言来实现。2.PyTorch的常用工具包torch：一个类似于Numpy的通用数组库，可以将tensor类型转换为（torch.cuda.TensorFloat），支持GPU上的计算。torch.autograd：主要用于构建计算图和自动获取梯度的包torch.nn：具有通用层和成本函数的神经网络库torch.optim：优化包.).实用程序：数据加载器。带有trainer等方便的函数torch.legacy(.nn/.optim)：考虑向后兼容，从Torch移植的遗留代码torch.multiprocessing：Python多进程并发，实现进程间torchTensors的内存共享3.PyTorchfeatures动态神经结构：PyTorch采用逆向自动推导技术，零延迟任意改变神经网络的行为，避免了神经网络构建完成后需要调整神经网络结构。从头开始的麻烦，使用PyTorch大大节省了人力和时间成本。调试方便：PyTorch的设计思想是线性的，直观易用。当你执行一行代码时，你可以一步一步执行，而无需涉及繁琐的异步调试，因此当代码出现错误时，你可以轻松定位代码位置，避免因错误指向而导致查询问题的麻烦到错误或异步和不透明的引擎。代码简洁易懂：与Tensorflow相比，PyTorch的代码更加简洁易读，而且PyTorch本身的源代码阅读起来也更加友好，更容易深入理解PyTorch。高度活跃的社区：PyTorch有一个非常活跃的社区和论坛(discuss.pytorch.org)。它的文档（pytorch.org）非常清晰，初学者上手很快；并且与PyTorch版本保持同步，提供了一套完整的教程。PyTorch使用起来非常简单，所以学习成本比较低。4.PyTorch可视化监控能力弱：缺乏直接可用的监控和可视化界面：不如TensorFlow应用广泛：PyTorch不是端到端的机器学习开发工具；实际应用程序的开发需要将PyTorch代码转换为另一个框架，如Caffe2，将应用程序转换并部署到服务器、工作站和移动设备上。
