一、Pytorch简介

Pytorch是2017年Facebook人工智能研究院团队在Github上开源的一个深度学习框架，其历史可追溯到2002年诞生于纽约大学的Torch。自发布之后，Pytorch的热度便持续高涨，随着深度学习持续火热，Pytorch这一深度学习框架被运用地越发广泛。

二、为什么选择Pytorch

Pytorch是目前比较难得的简洁优雅且高效快速的框架。主要的优点有一下几个方面。

1.简洁

Pytorch的设计追求最少的封装，尽量避免重复造轮子。Pytorch的设计遵循tensor（张量，即高维数组） $\rightarrow$ variable(autograd)（变量，自动求导） $\rightarrow$ nn.Module（神经网络模块等）这三个由低到高的抽象层次，而且这三个层次联系紧密，可以同时进行修改和操作。设计的简洁的最大的好处就是代码易于理解。

2.速度

在很多评测中，Pytorch的速度表现胜过Tensorflow和Keras等框架。

3.易用

Pytorch的设计最符合人们的思维，它让用户尽可能专注于实现自己的想法，不需要考虑太多关于框架本身的束缚。

4.社区活跃

Pytorch提供了完整文档供用户学习，网上也有很多相关的教程供大家参考。也有相关的论坛去讨论使用Pytorch时遇到的问题，如Pytorch Forums等，同时也有很多的论文开始采用Pytorch作为论文实验工具，大家比较熟知的斯坦福大学的深度学习公开课，也在今年重新开课使用Pytorch作为开发框架，使用的人和学习的人越来越多，将会更好的促进框架的发展，新手学习时也能得到更多的指导。

三、环境搭建

1.Python环境

Python环境的配置网上教程就特别多了，比较推荐的还是使用Anaconda，因为集成了很多相关的工具包，管理起来也特别方便。在Anaconda官网选择自己电脑的环境下载相关安装包即可安装。

2.Pytorch安装

进入Pytorch的官网，根据自己的电脑环境配置选择，即可得到相关的安装的命令，之后在Anaconda Prompt中输入命令即可完成Pytorch的安装（cuda是有GPU的时候选择，使用CPU的话选择None即可）。

之后再输入pip install torchvision，主要集成了一些数据集，深度学习模型，一些转换等，以后需要使用起来比较方便。

完成上述安装之后，可以测试是否安装成功，测试结果如下即表示安装成功。

四、Pytorch基础知识介绍

1.张量（Tensors）

Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算。

下图为常见的创建一个二维张量，即矩阵的几种方法

2.梯度与反向传播

$out=\frac{1}{4} \sum_{i=1}^43(x_{i}+2)^2$

out.backward()等于out.backward(torch.tensor(1)),输出x.grad，即求偏导。

$out$ 对每个 $x_{i}$ 的偏导显然为 $\frac{3}{2}(x_{i} +2)$ ，代入 $x_{i} =1$ ,显然结果为4.5

3.神经网络

一般使用torch.nn包来构建神经网络。

训练一个神经网络的过程大概如下：首先要导入数据集；之后选择自己需要的神将网络模型，利用torch.nn包来构建神经网络的模型，之后自己选用loss函数与优化函数，编写测试函数，设置训练次数之后将数据加载到模型之中进行训练，用测试函数输出训练出来的结果。具体的内容可参看下面编写的一个比较简单的利用logistic回归对结构化数据进行简单的分类。

五、实践：利用logistic回归对结构化数据进行简单的分类

可以看出正确率保持在75%左右。

六、总结

通过学习网上的一些教程，成功的配置了Pytorch的环境，学习了Pytorch中的一些基本的概念，并自己实践利用Pytorch实现了一个简单的logistic回归分类的小例子。因为自己的神经网络相关的知识了解的不过，所以选用比较容易懂的logistic回归，具体的选用神经网络训练模型的流程与上述实践的流程类似，只是定义模型的时候要选用相关的神经网络同时要设置更多的参数等等，这些在后续的学习中慢慢加以实践。

学习的教程在这里也推荐一个自己感觉还不错的：Pytorch学习资源汇总

Pytorch环境配置及初步实践