PyTorch是一個非常有可能改變深度學習領域前景的Python庫。我嘗試使用了幾星期PyTorch，然後被它的易用性所震驚，在我使用過的各種深度學習庫中，PyTorch是最靈活、最容易掌握的。
在本文中，我們将講解如何入門PyTorch，包括基礎知識和案例研究。還将分别在numpy和PyTorch中從零開始建構神經網絡，以了解它們在實踐中的相似處與差別。
·PyTorch的概述
·深入研究技術細節
·在Numpy和PyTorch中分别建構神經網絡并進行對比
·與其它深度學習庫比較
·案例研究——用PyTorch解決圖像識别問題
PyTorch的創始人說過他們創作的一個準則——他們想成為當務之急。這意味着我們可以立即執行計算。這正好符合Python的程式設計方法，不需要完成全部代碼才能運作，可以輕松的運作部分代碼并實時檢查。對于我來說把它作為一個神經網絡調試器是一件非常幸福的事。
PyTorch是一個基于Python的庫，用來提供一個具有靈活性的深度學習開發平台。PyTorch的工作流程非常接近Python的科學計算庫——numpy。
現在你可能會問，為什麼我們要用PyTorch來建立深度學習模型呢？我可以列出三件有助于回答的事情：
·<b>易于使用的API</b>—它就像Python一樣簡單。
·<b>Python的支援</b>—如上所述，PyTorch可以順利地與Python資料科學棧內建。它非常類似于numpy，甚至注意不到它們的差别。
·<b>動态計算圖</b>—取代了具有特定功能的預定義圖形，PyTorch為我們提供了一個架構，以便可以在運作時建構計算圖，甚至在運作時更改它們。在不知道建立神經網絡需要多少記憶體的情況下這非常有價值。
PyTorch的其他一些優點還包括：多gpu支援，自定義資料加載器和簡化的預處理器。
自從2016年1月釋出以來，許多研究人員将其作為一種“go-to”庫，因為它可以輕松地建構新穎的甚至是極其複雜的圖形。雖說如此，PyTorch仍有一段時間沒有被大多數資料科學實踐者采用，因為它是新的而且處于“正在建設”的狀态。
在深入讨論細節之前，讓我們先看看PyTorch的工作流程。
PyTorch使用了指令式/熱切的範例。也就是說，在建構一個圖形時，每一行代碼都定義了改圖的一個元件。我們甚至能在圖形建構完成前，獨立的對這些元件進行計算。這就是所謂的“逐運作”方法。
在開始使用PyTorch時應該了解的主要元素：
·PyTorch張量
·數學運算
·Autograd子產品
·Optim子產品
·神經網絡子產品
下面讓我們依次介紹這些元素吧。
你可以如下定義一個簡單的一維矩陣：
與numpy一樣，科學計算庫非常重要的一點是能夠實作高效的數學功能。而PyTorch提供了一個類似的借口，可以使用200個以上的數學運算。
下面是在PyTorch中實作一個簡單的添加操作的例子：
這和基本的python方法非常相似。我們還可以在定義的PyTorch張量上執行各種矩陣運算。例如，我們要轉置一個二維矩陣:
PyTorch使用了一種叫做自動微分的技術。也就是說，它會有一個記錄我們所有執行操作的記錄器，之後再回放記錄來計算我們的梯度。這一技術在建構神經網絡時尤其有效，因為我們可以通過計算前路參數的微分來節省時間。
Torch.optim是一個實作各種優化算法的子產品，用于建構神經網絡。它支援大多數常用的方法，是以我們不必從頭開始建構它們。
下面是使用Adam優化器的代碼：
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
雖然PyTorch Autograd可以很容易的定義計算圖形和使用梯度，但是對于定義複雜的神經網絡來說可能有點太低級了。而這就需要神經網絡子產品來提供幫助。
nn包定義了一組子產品，我們可以把它看作是一個神經網絡層，它産生輸入輸出，并且可能有一些可訓練的權重。
你可以把nn子產品看作是PyTorch的核心!
現在您已經了解了PyTorch的基本元件，那麼可以輕松地從頭建構自己的神經網絡了。如果想知道怎麼做，就繼續往下看吧。
我之前提到過PyTorch和Numpy非常相似，現在讓我們看看原因。在本節中，我們将通過實作一個簡單的神經網絡來解決二進制分類問題。
現在，試着在PyTorch中以超級簡單的方式發現差異（在下面的代碼中用粗體表示差異）。
PyTorch中用于資料加載的API設計的非常好，它的接口可以在資料集、采樣器和資料加載器中指定。并且通過與TensorFlow（讀取器、隊列等）資料加載工具比較發現，PyTorch的資料加載子產品非常容易使用。此外，PyTorch在建構神經網絡時是無縫的，是以不必依賴像Keras這樣的第三方高層庫。
另一方面，我也不建議使用PyTorch進行部署。因為它還尚未發展完美。正如PyTorch開發者說：“我們能夠看到，使用者會首先建立一個PyTorch模型，當要把模型投入生産時會将其轉換為Caffe2模型，之後再運送到移動平台或其他平台。”
為了更加熟悉PyTorch，我們将實踐解決分析Vidhya的深度學習問題——識别數字。讓我們看看我們的問題陳述:
我們的問題是圖像識别問題，從一個給定的28x28圖像中識别數字。一部分圖像用于訓練，其餘的用于測試模型。
首先下載下傳train和測試檔案。該資料集包含所有圖像的壓縮檔案，以及具有相應train和測試圖像名稱的train.csv和test.csv檔案。資料集隻提供png格式原始圖像，不提供其它附加功能。
現在讓我們開始吧：
<b>步驟0：準備</b>
a）導入所有必要的庫。
b）設定一個種子值，這樣我們就可以控制模型的随機性。
c）安全起見，第一步設定目錄路徑。
<b>步驟</b><b>1：資料加載和預處理</b>
A）現在讓我們看看這些資料集。它們都有相應标簽檔案名，并且是.csv格式。
B）讓我們看看資料是什麼樣的，現在讀取圖像并顯示。
C）為了更容易操作，讓我們把是以圖像存儲為numpy數組。
D）由于這是一個典型的機器語言（ML）問題，為了測試模型的正常運作，我們建立了一個驗證集。訓練集與驗證集比例為70：30。
<b>步驟</b><b>2：構模組化型</b><b> </b>
A）這是最重要的部分！首先定義神經網絡架構。我們定義了一個具有輸入、隐藏和輸出三層的神經網絡。輸入和輸出中的神經元數目是固定的，因為輸入是28x28的圖像，輸出是一個10x1向量的代表類，而在隐藏層我們采用了50個神經元。在這裡，我們用Adam作為優化算法，這是梯度下降算法的有效變體。
B）訓練模型。
訓練成績如下：
0.8779008746355685
而驗證分數為：
0.867482993197279
這是一個相當令人印象深刻的分數，尤其是這個非常簡單的神經網絡我們隻訓練了5次。
文章原标題《An Introduction to PyTorch - A Simple yet Powerful Deep Learning Library》
作者：Faizan Shaikh
譯者：奧特曼，審校：袁虎。