|
| 1 | +{ |
| 2 | + "cells": [ |
| 3 | + { |
| 4 | + "cell_type": "markdown", |
| 5 | + "metadata": {}, |
| 6 | + "source": [ |
| 7 | + "" |
| 8 | + ] |
| 9 | + }, |
| 10 | + { |
| 11 | + "cell_type": "markdown", |
| 12 | + "metadata": {}, |
| 13 | + "source": [ |
| 14 | + "# PyTorch 介绍" |
| 15 | + ] |
| 16 | + }, |
| 17 | + { |
| 18 | + "cell_type": "markdown", |
| 19 | + "metadata": {}, |
| 20 | + "source": [ |
| 21 | + "PyTorch 是由 Torch7 团队开源的,这也是Facebook 的 AI 研究团队发布了一个 Python 工具包,据该项目官网介绍,是一个 Python 优先的深度学习框架,能够在强大的 GPU 加速基础上实现张量和动态神经网络。\n", |
| 22 | + "\n", |
| 23 | + "- [官网](http://pytorch.org/)\n", |
| 24 | + "- [Github](https://github.com/pytorch/pytorch)\n", |
| 25 | + "\n", |
| 26 | + "目前除了 Facebook 之外,也有大量的机构正在使用 PyTorch\n", |
| 27 | + "\n", |
| 28 | + "" |
| 29 | + ] |
| 30 | + }, |
| 31 | + { |
| 32 | + "cell_type": "markdown", |
| 33 | + "metadata": {}, |
| 34 | + "source": [ |
| 35 | + "PyTorch 的前身是 Torch,其是一个十分老牌、对多维矩阵数据进行操作的张量(tensor )库,在机器学习和其他数学密集型应用有广泛应用,但由于其语言采用 Lua,导致在国内一直很小众,如今使用 Python 语言强势归来,快速的赢得了大量使用者。\n", |
| 36 | + "\n", |
| 37 | + "PyTorch 提供了两种高层面的功能:\n", |
| 38 | + "- 使用强大的 GPU 加速的 Tensor 计算(类似 numpy)\n", |
| 39 | + "- 构建于基于 autograd 系统的深度神经网络\n", |
| 40 | + "\n", |
| 41 | + "所以使用 PyTorch 的原因通常有两个:\n", |
| 42 | + "- 作为 numpy 的替代,以便使用强大的 GPU 加速;\n", |
| 43 | + "- 将其作为一个能提供最大灵活性和速度的深度学习研究平台" |
| 44 | + ] |
| 45 | + }, |
| 46 | + { |
| 47 | + "cell_type": "markdown", |
| 48 | + "metadata": {}, |
| 49 | + "source": [ |
| 50 | + "PyTorch 作为一个 Python 优先的动态图框架,有下面几个特点" |
| 51 | + ] |
| 52 | + }, |
| 53 | + { |
| 54 | + "cell_type": "markdown", |
| 55 | + "metadata": {}, |
| 56 | + "source": [ |
| 57 | + "### Python 优先\n", |
| 58 | + "PyTorch 不是简单地在整体 C++ 框架上绑定 Python,他深入构建在 Python 之上,你可以像使用 numpy/scipy/scikit-learn 那样轻松地使用 PyTorch,也可以用你喜欢的库和包在 PyTorch 中编写新的神经网络层,尽量让你不用重新发明轮子。\n", |
| 59 | + "\n", |
| 60 | + "### 命令式体验\n", |
| 61 | + "PyTorch 的设计思路是线性、直观且易于使用。当你需要执行一行代码时,它会忠实执行。PyTorch 没有异步的世界观。当你打开调试器,或接收到错误代码和 stack trace 时,你会发现理解这些信息是非常轻松的。Stack-trace 点将会直接指向代码定义的确切位置。我们不希望你在 debug 时会因为错误的指向或异步和不透明的引擎而浪费时间。\n", |
| 62 | + "\n", |
| 63 | + "### 快速精益\n", |
| 64 | + "PyTorch 具有轻巧的框架,集成了各种加速库,如 Intel MKL、英伟达的 CuDNN 和 NCCL 来优化速度。在其核心,它的 CPU 和 GPU Tensor 与神经网络后端(TH、THC、THNN、THCUNN)被编写成了独立的库,带有 C99 API。" |
| 65 | + ] |
| 66 | + }, |
| 67 | + { |
| 68 | + "cell_type": "markdown", |
| 69 | + "metadata": {}, |
| 70 | + "source": [ |
| 71 | + "## 安装\n", |
| 72 | + "PyTorch 的安装非常方便,可以使用 Anaconda 进行安装,也可以使用 pip 进行安装,比如\n", |
| 73 | + "\n", |
| 74 | + "使用 conda 进行安装 \n", |
| 75 | + "`conda install pytorch torchvision -c pytorch`\n", |
| 76 | + "\n", |
| 77 | + "或者使用 pip \n", |
| 78 | + "`pip install http://download.pytorch.org/whl/cu80/torch-0.3.0.post4-cp36-cp36m-linux_x86_64.whl \n", |
| 79 | + "pip install torchvision`\n", |
| 80 | + "\n", |
| 81 | + "目前只支持 Mac OSX 和 Linux 系统,Windows 系统在不久之后也会支持,更多详细信息可以访问[官网](http://pytorch.org/)" |
| 82 | + ] |
| 83 | + } |
| 84 | + ], |
| 85 | + "metadata": { |
| 86 | + "kernelspec": { |
| 87 | + "display_name": "mx", |
| 88 | + "language": "python", |
| 89 | + "name": "mx" |
| 90 | + }, |
| 91 | + "language_info": { |
| 92 | + "codemirror_mode": { |
| 93 | + "name": "ipython", |
| 94 | + "version": 3 |
| 95 | + }, |
| 96 | + "file_extension": ".py", |
| 97 | + "mimetype": "text/x-python", |
| 98 | + "name": "python", |
| 99 | + "nbconvert_exporter": "python", |
| 100 | + "pygments_lexer": "ipython3", |
| 101 | + "version": "3.6.0" |
| 102 | + } |
| 103 | + }, |
| 104 | + "nbformat": 4, |
| 105 | + "nbformat_minor": 2 |
| 106 | +} |
0 commit comments