［pytorch快速入门教程］pytorch是什么？

[b]PyTorch是一个提供两个高级功能的python包：[/b] [list] []具有强GPU加速度的张量计算（如numpy）[/] []深层神经网络建立在基于磁带的自动调整系统上[/] [/list] 您可以重用您最喜爱的python软件包，如numpy，scipy和Cython，以便在需要时扩展PyTorch。

[b]PyTorch在细粒度级别是由以下组件组成的库：[/b] [list] [][b]torch[/b] 像NumPy这样的Tensor图书馆，拥有强大的GPU支持[/] [][b]torch.autograd [/b]一种基于磁带的自动分类库，支持所有可区分的Tensor操作手电筒[/] [][b]torch.nn[/b] 一个神经网络库与autograd设计了最大的灵活性[/] [][b]torch.optim[/b] 一种与torch.nn一起使用的优化包，具有标准优化方法，如SGD，RMSProp，LBFGS，Adam等。[/] [][b]torch.multiprocessing[/b] python多处理，但是具有魔法内存共享的手电筒传感器跨过程。适用于数据加载和hogwild培训。[/] [][b]torch.utils [/b]DataLoader，Trainer等实用功能为方便起见[/] [][b]torch.legacy（.nn / .optim）[/b] 由于向后兼容性原因，已经从割炬移植的旧代码[/] [/list]

[b]通常使用PyTorch可以：[/b] [list] []使用GPU的功能代替numpy。[/] []一个深刻的学习研究平台，提供最大的灵活性和速度[/] [/list]  [b]进一步阐述：[/b][b]GPU准备好的Tensor库[/b] 如果你使用numpy，那么你已经使用了Tensors（aka ndarray）。 [attach]9[/attach] PyTorch提供可以在CPU或GPU上生活的Tensors，并加速计算量。 我们提供各种各样的张量程序，以加速和适应您的科学计算需求，如切片，索引，数学运算，线性代数，缩减。他们快！

[b]动态神经网络：基于磁带的自动格式[/b] PyTorch具有构建神经网络的独特方式：使用和重放磁带录音机。 大多数框架，比如[b]TensorFlow[/b]，[b]Theano[/b]，[b]Caffe[/b]和[b]CNTK[/b]拥有世界的静态视图。必须建立一个神经网络，并重复使用相同的结构。改变网络行为的方式意味着必须从头开始。 使用PyTorch，我们使用一种称为反向模式自动分化的技术，它允许您以零延迟或开销改变网络的任意运行方式。我们的灵感来自于在这个题目的几个研究论文，以及当前和过去的工作，如[b] autograd， autograd， Chainer[/b]等。 虽然这种技术并不是PyTorch所特有的，但它是迄今为止最快的实现之一。您可以为您的疯狂研究获得最佳的速度和灵活性。 [attach]10[/attach]

[b]Python第一[/b] PyTorch不是一个Python绑定到一个单一的C ++框架。它被构建为深入整合到Python中。您可以自然地使用它，就像您将使用numpy / scipy / scikit学习等。您可以使用自己喜欢的库并使用Cython和Numba等软件包，在Python本身编写新的神经网络层。我们的目标是不要在适当的时候重塑轮子。

[b]势在必得的经验[/b] PyTorch的设计是直观的，线性的思想和易于使用。当您执行一行代码时，它将被执行。没有一个异步的世界观。当您进入调试器或接收错误消息和堆栈跟踪时，理解它们是直接的。堆栈跟踪正好指向您的代码定义的位置。我们希望您不要花费几个小时来调试代码，因为堆栈跟踪错误或异步和不透明的执行引擎。

[b]快速和精益[/b] PyTorch具有最小的框架开销。我们集成加速库，如英特尔MKL和NVIDIA（CuDNN，NCCL），以最大限度地提高速度。核心是CPU和GPU Tensor和神经网络后端（TH，THC，THNN，THCUNN）都是用C99 API写成独立的库。 它们已经成熟，并已经过多年的测试。 因此，PyTorch相当快 - 无论您是运行小型或大型神经网络。 PyTorch的内存使用率与Torch或其他一些替代品相比非常有效。我们为GPU编写了自定义内存分配器，以确保您的深入学习模型具有最大的内存效率。这使您能够训练比以前更大的深入学习模型。

[b]扩展没有痛苦[/b] [list] []编写新的神经网络模块，或与PyTorch的Tensor API进行接口的设计是简单而且抽象最少的。[/] []您可以使用torch API 或您喜欢的基于numpy的库（如SciPy）在Python中编写新的神经网络层[/] []如果你想用C / C ++图层，我们根据一个扩展API CFFI是有效的，并以最小的样板。[/] []没有需要编写的包装器代码。你可以在这里看到一个例子。[/] [/list]