Pytorch是基于火炬库的开源机器学习库。它应用于计算机视觉和自然语言处理等应用程序。本章将从安装和通过火炬构建基本神经网络中学到。计算梯度是主要内容。
火炬在开发环境中具有特定的安装方法，例如Linux，Windows，Mac和其他开发环境。首先，搜索官方网页https://pytorch.org/。从下图，我们可以根据适当的环境选择。1.9.0版本的Windows环境中的Conda Bag Python语言，即CPU计算平台的安装。
安装过程需要打开Anaconda命令行输入到下面的提示命令指南，
安装火炬后，打开常用的编辑器进行测试
好的，我们可以看到我已经在计算机上成功安装了火炬
以下代码在Jupyter笔记本上进行了编辑。本文未解释安装方法，例如Conda。
深度学习算法是一种神经网络算法，它是由多层次互连单元组成的计算系统。通过这些连接的单元传递数据，神经网络可以学习如何获得输入转换位输出所需的计算。inTorch，Torch.nn软件包可用于构建神经网络。
最常见的是最基本的MNIST数据集，即手写标识数据，定义MNIST数据集的神经网络需要以下步骤
1.导入库
2.定义初始化神经网络
3.指定数据集构建模型
4.测试模型传输数据
从应用的角度来看，以下内容神经网络名词的定义不会太多描述。
神经网络建造的需求是TORCH.NN和TORCH.NN.功能
通过上述模块和类，Torch.nn帮助我们创建和训练神经网络，包括向前（输入）和返回输出。
我们定义的神经网络将帮助我们识别图像，并将使用构建的pytorch卷积。卷积过程将图像的每个元素添加到本地邻居中，将由内核或小矩阵重复使用，这将帮助我们提取某些某些东西输入图像（边缘检测，清晰度，模糊等）的特征。
定义净模型有两个要求。首先是编写INIT参考nn.moudle。此功能是您在神经网络中定义完整连接层的位置。
使用卷积，我们从构建的神经网络模型中输出图像通道，从0到9个标签的10个标签的输出匹配数，以及以下构造传统的MNIST算法
如代码所示，三个层神经网络，前两个维度接收层，输入图像数据，输出32个特征，方核的大小为3，第二个两维卷积层输入了32组数据集要获得64个方芯的大小为3
我们已经完成了神经网络的定义。以下数据将用于培训。我们只需要定义Foward函数即可使用Pytorch构造模型将数据传递到计算图，这将代表我们的feed算法。
参考开发文档：https：//pytorch.org/tutorials/beginner/basics/buildmodel_tutorial.html