1.1 PyTorch 简介与安装
PyTorch 的诞生
2017 年 1 月，FAIR（Facebook AI Research）发布了 PyTorch。PyTorch 是在 Torch 基础上用 python 语言重新打造的一款深度学习框架。Torch 是采用 Lua 语言为接口的机器学习框架，但是因为 Lua 语言较为小众，导致 Torch 学习成本高，因此知名度不高。
PyTorch 的发展
2017 年 1 月正式发布 PyTorch。
2018 年 4 月更新 0.4.0 版，支持 Windows 系统，caffe2 正式并入 PyTorch。
2018 年 11 月更新 1.0 稳定版，已成为 Github 上增长第二快的开源项目。
2019 年 5 月更新 1.1.0 版，支持 TensorBoard，增强可视化功能。
2019 年 8 月更新 1.2.0 版，更新 Torchvision，torchaudio 和torchtext，支持更多功能。
目前 PyTorch 有超越 Tensorflow 的趋势。
...
PyTorch 优点
上手快，掌握 Numpy 和基本深度学习概念即可上手。
代码简洁灵活，使用 nn.Module 封装使得网络搭建更加方便 。基于动态图机制，更加灵活。
资源多，arXiv 中新论文的算法大多有 PyTorch 实现。
开发者多，Github 上贡献者(Contributors)已经超过 1100+
...
PyTorch 实现模型训练的 5 大要素
数据：包括数据读取，数据清洗，进行数据划分和数据预处理，比如读取图片如何预处理及数据增强。
模型：包括构建模型模块，组织复杂网络，初始化网络参数，定义网络层。
损失函数：包括创建损失函数，设置损失函数超参数，根据不同任务选择合适的损失函数。
优化器：包括根据梯度使用某种优化器更新参数，管理模型参数，管理多个参数组实现不同学习率，调整学习率。
迭代训练：组织上面 4 个模块进行反复训练。包括观察训练效果，绘制 Loss/ Accuracy 曲线，用 TensorBoard 进行可视化分析。
整个系列的学习都会围绕着这 5 个方面来展开。
安装
在开发过程中可能会有多个项目同时进行，不同项目之间使用的 Python 版本和一些库的版本不一样，这就会导致冲突。因此这里使用 Anaconda 来管理多个 Python 虚拟环境。Anaconda 是为了方便使用 Python 而建立的一个软件包，包含常用 的 250 多个工具包，多个版本的 Python 解释器和强大的虚拟环境管理工具。各个环境之间相互独立，可任意切换。
安装 Anaconda
安装时记得勾选
Add Anaconda to my PATH environment variable添加到环境变量中。安装完成后打开
cmd，输入conda回车出现如下信息，即为安装成功。
接着添加中科大镜像或者清华镜像，在安装库的时候实现加速下载。
安装 PyTorch
检查是否有支持 CUDA 的 GPU，若有，需要安装 CUDA 和CuDNN。
第一部分是 cuda 版本或者 cpu，第二部分是 PyTorch 版本号，第三部分是 Python 版本号，第四部分是操作系统。
cu92/torch-1.5.0%2Bcu92-cp37-cp37m-linux_x86_64.whl
Pycharm 使用 Anaconda 环境
在 Pycharm 中新建项目后，需要在 File -> Settings -> Project -> Python Interpreter 中选择 Anaconda 环境。
首先点击齿轮图标，点击弹出的add，
参考资料
如果你觉得这篇文章对你有帮助，不妨点个赞，让我有更多动力写出好文章。
我的文章会首发在公众号上，欢迎扫码关注我的公众号张贤同学。
最后更新于
这有帮助吗？
