【Pytorch 学习笔记 目录整合 源码解读 B站刘二大人 绪论（0/12）】

深度学习 Pytorch 学习笔记 目录整合 数学推导与源码详解 B站刘二大人

目录传送门：
线性模型 Linear-Model 数学原理分析以及源码详解　深度学习 Pytorch笔记 B站刘二大人（1/10）

梯度下降算法 Gradient-Descend 数学推导与源码详解 深度学习 Pytorch笔记 B站刘二大人（2/10）

反向传播算法 Back-Propagation 数学推导以及源码详解　深度学习 Pytorch笔记 B站刘二大人（3/10）

线性回归 Linear-Regression 模块实现与源码详解　深度学习 Pytorch笔记 B站刘二大人（4/10）

非线性回归 Logistics-Regression 模块实现与源码详解　深度学习 Pytorch笔记 B站刘二大人（5/10）

多输入模型 Multiple-Dimension 数学原理分析以及源码详解　深度学习 Pytorch笔记 B站刘二大人（6/10）

数据集加载 Dataset&DataLoader 模块实现与源码详解　深度学习 Pytorch笔记 B站刘二大人（7/10）

分类器 Softmax-Classifier softmax数学原理与源码详解　深度学习 Pytorch笔记 B站刘二大人（8/10）

卷积神经网络CNN 数学原理分析与源码详解　深度学习 Pytorch笔记 B站刘二大人（9/10）

卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别 源码详解　深度学习 Pytorch笔记 B站刘二大人（9.5/10）

深度学习 Pytorch笔记 B站刘二大人 循环神经网络RNN 数学原理分析与源码实现（10/10）

什么是深度学习

深度学习的本质是机器学习，是期望通过计算机模拟人脑结构，通过对输入的信息进行分析整理从而完成期待中正确的预测与识别工作。相比于传统的机器学习，深度学习的模型往往更为复杂，且数据更为巨大。
需要注意的是在定义中，机器学习于深度学习有非常重要的差别在于，深度学习能够使得更简单的概念进行相互连接。这也意味着深度学习模型的输入可以是更为简单，信息量更少的 simple feature
其次，注意在解决思路中，机器学习是通过将任务进行分割，各个模块完成自己的任务，最后将得出的结果进行拼接。而深度学习近似于构造一个黑盒，进行端到端的输入输出，设计训练过程和优化函数，将结果交给计算机本身进行，是一种端到端的训练模式。

但是总而言之，笔者认为：深度学习和机器学习的本质都是挖掘众多数据的深度本质特征和整体现象规律。这一点也是我认为数学建模竞赛中C题的主旨所在。因此机器学习和深度学习的问题分析于项目开发的思路可以很好的被借鉴和参考。
深度学习最重要的是输入的数据和输出目标，根据输入数据和输出目标的不同可以进行如下分类：

从目的上讲，与数模C题的求解目标基本全部吻合，分别是 回归 分类 聚类 降维
同时根据模型的细微差异以及输入数据的标签量可以进行更为细致的划分。

什么是Pytorch

在定义上：PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序
PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。

为什么使用pytroch

相比tensorflow，caffe等众多的神经网络框架结构，尤其是经常与pytorch并提的tensorflow。
pytroch 对新手更为友好，采用命令式编程，更为符合平常的编程习惯。通过牺牲内存空间实现了更为友好的数据存放和读取形式，能够进行断点调试并添加watch，在运行过程中自动运算形成计算图，这些特点让pytorch获得广大编程人员的喜爱，成为学习和入门深度学习的首选框架。
但是同样需要注意的是，在实际的开发中，由于由于pytorch的动态图定义，往往运行效率和学习成本高于tensorflow，因此在实际开发中仍以tensorflow为主。

下载地址：
Pytorch下载官网
注意，建议遵循规范下载流程，在anaconda环境下进行安装