本文搭配了Pytorch在线环境，可以直接在线体验。
Pytorch是Facebook 的 AI 研究团队发布了一个基于 Python的科学计算包，旨在服务两类场合： 1.替代numpy发挥GPU潜能 ；2. 一个提供了高度灵活性和效率的深度学习实验性平台。
在线体验练习地址：Pytorch快速上手/在线实验室
1.Pytorch简介
Pytorch是Facebook 的 AI 研究团队发布了一个基于 Python的科学计算包，旨在服务两类场合：
- 替代numpy发挥GPU潜能(在线环境暂时不支持GPU)
- 一个提供了高度灵活性和效率的深度学习实验性平台
2.Pytorch特点及优势
2.1 Pytorch特点
- PyTorch 提供了运行在 GPU/CPU 之上、基础的张量操作库;
- 可以内置的神经网络库；
- 提供模型训练功能；
- 支持共享内存的多进程并发（multiprocessing ）库等；
2.2 Pytorch特点
处于机器学习第一大语言 Python 的生态圈之中，使得开发者能使用广大的 Python 库和软件；如 NumPy、SciPy 和 Cython（为了速度把 Python 编译成 C 语言）；
（最大优势）改进现有的神经网络，提供了更快速的方法——不需要从头重新构建整个网络，这是由于 PyTorch 采用了动态计算图（dynamic computational graph）结构，而不是大多数开源框架（TensorFlow、Caffe、CNTK、Theano 等）采用的静态计算图；
提供工具包，如torch 、torch.nn、torch.optim等；
3.Pytorch常用工具包
- torch ：类似 NumPy 的张量库，强 GPU 支持 ；
- torch.autograd ：基于 tape 的自动区别库，支持 torch 之中的所有可区分张量运行；
- torch.nn ：为最大化灵活性未涉及、与 autograd 深度整合的神经网络库；
- torch.optim：与 torch.nn 一起使用的优化包，包含 SGD、RMSProp、LBFGS、Adam 等标准优化方式；
- torch.multiprocessing： python 多进程并发，进程之间 torch Tensors 的内存共享；
- torch.utils：数据载入器。具有训练器和其他便利功能；
- torch.legacy(.nn/.optim) ：处于向后兼容性考虑，从 Torch 移植来的 legacy 代码；
4.tensor的创建
- 导入pytorch的包
import torch - jupyter notebook
import torch
#创建一个5*3的随机矩阵并显示它（Shift+Enter)
x=torch.rand(5,3)
x
5.tensor的运算
y=torch.ones(5,3)
#创建一个5*3的全是1矩阵并显示它
y
#计算两个矩阵相加(注意尺寸要一模一样)
z=x+y
z
#矩阵乘法，矩阵转置
q=x.mm(y.t())
所有Numpy上面关于ndarray的运算全部可以应用于tensor
有关tensor的运算参考 http://pytorch.org/docs/master/tensors.html
- 从numpy到tensor的转换：
torch.from_numpy(a) - 从tensor到numpy的转换：
a.numpy() - tensor与numpy的最大不同：tensor可以在GPU上运算
- 转到gpu上运算(x.cpu()转成cpu)
if torch.cuda.is_available():
x=x.cuda()
y=y.cuda()
print(x+y)
6.Numpy桥
将Torch的Tensor和numpy的array相互转换。注意Torch的Tensor和numpy的array会共享他们的存储空间，修改一个会导致另外的一个也被修改。
# 此处演示tensor和numpy数据结构的相互转换
a = torch.ones(5)
b = a.numpy()
# 此处演示当修改numpy数组之后,与之相关联的tensor也会相应的被修改
a.add_(1)
print(a)
print(b)
# 将numpy的Array转换为torch的Tensor
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)
# 另外除了CharTensor之外，所有的tensor都可以在CPU运算和GPU预算之间相互转换
# 使用CUDA函数来将Tensor移动到GPU上
# 当CUDA可用时会进行GPU的运算
if torch.cuda.is_available():
x = x.cuda()
y = y.cuda()
x + y
7.动态计算图(Dynamic Computation Graph)
- 是pytorch的最主要特征
- 让计算模型更灵活，复杂
- 让反向传播算法随时进行
7.1自动微分变量
gradient梯度，传播的就是梯度
定义一个自动微分变量
from torch.autograd import Variable
#Variable:自动微分变量
x=Variable(torch.ones(2,2),requires_grad=True)
#把一个2*2的张量转变成微分的变量（添加节点，构造计算图）
x
y=x+2
y.creator
#y的父节点
z=torch.mean(y*y)
z.data
与tensor不同之处：记录下所有的计算路径，在内存中构造计算图
7.2多层运算
z=m((x+2)*(x+2))
一个多层神经网络
计算梯度：求导
z.backward()
#z对x的偏导
#只有叶节点可以算grad。只有x有grad信息，因为它没有父节点
print(z.grad)
print(y.grad)
print(x.grad)
7.3更疯狂的函数依赖
s=Variable(torch.FloatTensor([[0.01,0.02]]),requires_grad=True)
x=Variable(torch.ones(2,2),requires_grad=True)
for i in range(10):
s=s.mm(x)
#赋值的操作会多一个新节点出来
z=torch.mean(s)
#backward()求导计算
z.backward()
print(x.grad)
print(s.grad)
8.神经网络
用 torch.nn 包可以进行神经网络的构建，点击实验楼开源软件库的教程：Pytorch快速上手/在线实验室即可马上查看并在线体验了；