今天是建国纪念日。祈愿祖国繁荣富强。也祝所有程序员国庆、中秋快乐。假期不太忙，可以先轻松更新一下基础知识。今天接续上一篇文章，主要介绍PyTorch和Tensor，它们是一切的基础。
pytorch获得各大顶级AI公司认可
PyTorch 是目前除了TensorFlow 之外最流行的深度学习框架，而且以我目前的了解，PyTorch 肯定是比较容易使用的，即使是初学者也可以轻松上手。
份额及增长趋势持续
我们可以对PyTorch :的一些特性做一些概述。
它是目前最流行的研究深度学习的框架。深度学习代码可以用Python编写，并且代码可以快速迁移到GPU或多GPU环境。用户可以轻松使用Torchvision包中嵌入的深度框架模型（Transformer、ResNet等）。支持整个深度学习生命周期，包括数据预处理、模型构建以及模型部署到各种设备。得到众多大厂支持，您可以放心学习和使用。例如，Meta、OpenAI 和Mircosoft 等公司。就这一点而言，PyTorch 无疑是你学习深度学习时应该首先开始的地方，但这里我不会详细介绍。如果您花时间阅读本文，您应该已经对PyTorch 有一定的了解。接下来，我们来谈谈什么是张量。如果您像我一样，则无需急于成功，只需快速浏览一下Tensors，然后直接开始了解接下来的内容即可。最后，它只会把你搞砸，你仍然需要返回到这个Tensor 链接。你应该彻底掌握Tensor运算，这样你才能轻松学习以下知识：
首先，在本地安装PyTorch 和jupyter Notebook。我这里就不详细说了。如果你觉得懒，可以在线搜索PyTorch中的云产品和交互环境。您可以免费试用GPU，甚至可以跳过首选项链接。初学者最讨厌的（这里大家要小心）就是这一步，如果你对GPU不太了解，这一步很容易上手，因为你可以先安装PyTorch CPU环境。启动Jupyter Notebook 或Jupyter Lab 相对容易（请注意，您可以先运行代码）。安装完成后，找到要继续工作的工作区，输入命令“jupyter lab”。启动“如下所示。
下一步是导入torch 并输入您的编程语言或框架的符号“hello world”，如下图所示。这是我的家用电脑，我还有旧版本的PyTorch。如果您有GPU 支持，您可以使用torch.cuda.is_available() 命令检查cuda 是否可用。
火炬版
nvidia基本信息
好吧，不要陷入当前的环境中。还有，不要以为学习深度学习就需要先买一台高配置、高显卡的电脑。我认为这还不够。如果你能坚持3个月（和我情况一样），就可以长期租用GPU云主机了。这提供了继续编写代码和部署模型的动力。可以在云主机上运行。更重要的是，剩下的就是成功安装PyTorch 并成功运行torch.__version__ 。别唠叨[打耳光]。
在接下来的几节中，我们将开始使用PyTorch 无处不在的张量。根据我目前有限的经验，我将分享一些您在使用Tensors 时应该注意的核心API。同时，您还需要使用所有常用的API。当然，我们也会介绍所有重要的API。 API 是的，如果后面有卷积神经网络和Transformer 中用到的核心API，我们也会有单独的章节来分别介绍。
如果您有兴趣，请将其添加到您的收藏夹中，我们将继续学习。
版权声明：本文转载于网络，版权归作者所有。如有侵权，请联系本站编辑删除。