2、PyTorch的三個結構層次
- tensor：張量，多元數組，可在GPU上跑。
- variable：可記住tensor在計算圖中的位置，可知道目前variable和之前variable的關系。
- module：神經網絡的層次，如全連接配接層、卷積層。
PyTorch的安裝
pip install torch
pip install torch==0.4.1.post2
T1方法
git clone
https://github.com/pytorch/visioncd vision
python setup.py install
T2方法
pip3 install
http://download.pytorch.org/whl/cu80/torch-0.4.0-cp36-cp36m-win_amd64.whlpip3 install torchvision
T3方法
pip install torch-0.4.0-cp36-cp36m-win_amd64.whl
pip install torchvision
1、20181114更新版本到 torch-0.4.1
http://download.pytorch.org/whl/cu80/torch-0.4.1-cp36-cp36m-win_amd64.whl(1)、測試
import torch
print(torch.__version__) #輸出版本資訊
print(torch.cuda.is_available()) #檢視是否支援cuda
2、20200108更新版本到 torch 1.3.1
官網：
https://pytorch.org/執行指令：
pip3 install torch===1.3.1 torchvision===0.4.2 -f
https://download.pytorch.org/whl/torch_stable.html或者
pip install torch-1.3.1-cp36-cp36m-win_amd64.whl
3、Anaconda内安裝torch的whl檔案更新版本到 torch 1.3.1
pip install D:\ProgramData\Anaconda3\envs\torch-1.3.1-cp36-cp36m-win_amd64.whl
4、Anaconda内安裝torch的whl檔案更新版本到 torch 1.0.0
pip install torch===1.0.0 torchvision===0.2.1 -f
https://download.pytorch.org/whl/cu100/torch_stable.html PyTorch的使用方法
相關文章
Pytorch之CNN：基于Pytorch架構實作經典卷積神經網絡的算法(LeNet、AlexNet、VGG、NIN、GoogleNet、ResNet)——從代碼認知CNN經典架構
0、Pytorch基礎知識
1、PyTorch是一個提供兩個進階功能的python包：
具有強GPU加速度的張量計算（如numpy）
深層神經網絡建立在基于錄音帶的自動調整系統上
可以重用您最喜愛的python軟體包，如numpy，scipy和Cython，以便在需要時擴充PyTorch。
2、PyTorch在細粒度級别是由以下元件組成的庫：
torch 像NumPy這樣的Tensor圖書館，擁有強大的GPU支援
torch.autograd 一種基于錄音帶的自動分類庫，支援所有可區分的Tensor操作手電筒。pytorch的自動求導工具包在torch.autograd中。
torch.nn 一個神經網絡庫與autograd設計了最大的靈活性。pytorch神經網絡建構很容易，主要使用的包是torch.nn這個包，可以嘗試使用pytorch建構一個簡單的二層神經網絡結構。
torch.optim 一種與torch.nn一起使用的優化包，具有标準優化方法，如SGD，RMSProp，LBFGS，Adam等。
torch.multiprocessing python多處理，但是具有魔法記憶體共享的手電筒傳感器跨過程。适用于資料加載和hogwild教育訓練。
torch.utils DataLoader，Trainer等實用功能為友善起見 torch.legacy（.nn / .optim） 由于向後相容性原因，已經從割炬移植的舊代碼
1、Pytorch三行指令即可運算
2、Pytorch加載預訓練模型
import torch
import torchvision
alexnet= torchvision.models.models.alexnet(pretrained=True)
vgg16 = torchvision.models.vgg16(pretrained=True)
resnet101 = torchvision.models.resnet101(pretrained=True)
resnet152 = torchvision.models.resnet152(pretrained=True)