深入浅出PyTorch——基础知识

一、PyTorch的简介和安装   

        因为在学习pytorch之前就已经配置和安装好了相关的环境和软件，所以这里就不对第一章进行详细的总结，就简要总结一下：

1.1 pytorch的发展

        去了Paper with code网站查看了现在pytorch的使用，远超tensorflow

1.2 PyTorch的优势

        简洁、上手快、良好的文档API、社区强大、项目开源。

1.3 PyTorch的安装

 1.3.1 Anaconda的安装

        官网：Anaconda | Individual Edition

        安装成功你的电脑会有以下应用。

 1.3.2 查看显卡

        （1）使用NVIDIA控制面板

 

        （2）使用任务管理器查看自己是否有NVIDIA的独立显卡及其型号

                打开自己任务管理器——>性能

1.4  PyTorch安装

        （1）官网：PyTorch官网

        （2）进入官网找到适合自己电脑的pytorch，使用conda下载或者pip下载（建议conda安装），可以结合电脑是否有显卡，选择CPU版本还是CUDA版本，CUDA版本需要拥有独显且是NVIDIA的GPU

        （3）检验是否安装成功，打开Anaconda终端

输入以下代码，如果显示Ture，则说明安装成功，可以使用。

import torch
 
torch.cuda.is_available()

1.5 pycharm安装 

        （1）官网

        （2）建议配置Anaconda的内置环境，这样电脑就不要重复下载了。

二、PyTorch基础知识

2.1 张量

2.1.1 简介

2.1.2 创建tensor

        以下为创建tensor的几种方法，用法如下，举一例：

import torch
torch.zeros(4,3)
# 创建的时候输入类型 torch.zeros(4,3,dtype=torch.long)

2.1.3 张量的操作

        （1）运算

         （2）索引操作

        索引出来的结果与原数据共享内存，修改一个，另一个会跟着修改

2.1.4 维度变换

        torch.view()，简要的说就是我们创建一个矩阵，然后通过view()从不同的维度去观察这个矩阵，当然在我们对原矩阵进行操作更改后，我们从不同维度进行观察时也会发生改变。这里我们就可以先将原来的进行深度复制，用一个变量进行存储，防止后面的数据丢失

2.1.5 广播机制

 2.2 自动求导

2.2.1 autograd的求导机制

       “一个设置，三个函数量”

 2.2.2 梯度的返向传播

    torch.autograd计算一些雅可比矩阵的乘积

2.3 并行计算

2.3.1 为什么进行并行计算

        随着数据量的越来越大，计算量也随之越来越大，而为了加快计算的速度，可以使用多个GPU进行并行计算，减少运行的时间。

2.3.2 使用CUDA

        CUDA支持GPU计算，设置方法如下：

#设置在文件最开始部分
import os
os.environ["CUDA_VISIBLE_DEVICE"] = "2" # 设置默认的显卡
 
# 选择GPU的块数以及从多块中指定其中n块GPU计算
CUDA_VISBLE_DEVICE=0,1 python train.py # 使用0，1两块GPU

 2.3.3 不同的GPU并行运行方式

 

深入浅出PyTorch：https://github.com/datawhalechina/thorough-pytorch