1. pytorch包介绍
pytorch主要包含以下包，这也是深度学习中经常会使用到的包
| 包 | 描述 |
|---|---|
| torch | pytorch最顶级的包，以及tensor库（具体什么是tensor后面会说） |
| torch.nn | torch下包含用于搭建神经网络的modules和可用于继承的类的一个子包 |
| torch.autograd | torch下包含所有梯度运算的子包 |
| torch.nn.functional | 一个函数接口，包含了神经网络用到的损失函数、激活函数、卷积等 |
| torch.optim | torch下包含神经网络中用到的标准优化操作，包括SGD、Adam等的子包 |
| torch.utils | torch下包含了很多实用工具的子包，如使数据预处理更加容易的data sets和data loaders |
| torchvision | 通过这个包可以使用当下常用的数据集、模型和图像处理方式 |
torch和torchvision是独立的两个包，在安装一章中也可以看到它们是分别安装的.
2. pytorch的优势
在深度学习中，最基本的运算是梯度运算，为了完成计算，深度学习用到了Computational graphs. 这些graphs被用来计算梯度，优化神经网络.
在pytorch中这些Computational graphs是动态的，也就是说在创建各种操作时，同时动态生成graphs，这与在进行操作之前就需要完全确定的静态graphs形成对比.
同时pytorch的封装性很好，在搭建我们自己的神经网络时，只需要更多的关注在神经网络的框架本身上，而不需要关注太过底层的东西.
