Pytorch实战——1、简介与入门知识

🍅 写在前面
👨?🎓 博主介绍：大家好，这里是hyk写算法了吗，一枚致力于学习算法和人工智能领域的小菜鸟。
🔎个人主页：主页链接（欢迎各位大佬光临指导）
??近期专栏：机器学习与深度学习
???????????????????????LeetCode算法实例
???????????????????????Pytorch实战

Pytorch简介

1. PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。2017年1月，FAIR（Facebook AI Research）发布PyTorch。PyTorch是在Torch基础上用python语言重新打造的一款深度学习框架。Torch是采用Lua语言为接口的机器学习框架，但因Lua语言较为小众，导致Torch知名度不高。

2. PyTorch提供了两个高级功能：

   • 具有强大的GPU加速的张量计算（如Numpy）

   • 包含自动求导系统的深度神经网络

3. Pytorch优点

   • 上手快：掌握numpy和基本深度学习概念即可上手；

   • 代码简洁灵活：用nn.module封装使网络搭建更方便；基于动态图机制，更灵活；

   • Debug方便：调试PyTorch就像调试Python代码一样简单；

   • 文档规范：https://pytorch.org/docs/ 可查各版本文档；

   • 资源多：arXiv中的新算法大多有PyTorch实现；

   • 开发者多：Github上贡献者已超过1100+；

   • 背靠大树：Facebook维护开发

4. Pytorch仍然是一个年轻的框架，但其发展速度越来越快。如果你有以下需求，它可能会比较适合你：

   • 用于研究，或者是用于生产的非功能性需求，但其并不是很苛刻
   • 需要更好的开发和调试体验
   • 爱所有Python化的东西

入门知识

深度学习基本原理

• 深度学习的概念源于人工神经网络的研究，是机器学习研究的一个新的领域，目的是建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。
• 作为一种机器学习方法，深度学习能让我们用给定的输入值训练AI模型预测输出值。
• 这是在 http://playground.tensorflow.org/ 尝试构建的多层神经网络实现分类，如下图所示。
  

分类、回归基本原理

• 最常见的监督式学习任务包括回归任务（预测值）和分类任务（预测类）。
• 在现实生活中，连续值预测问题是非常常见的，比如股价的走势预测、天气预报中温度和湿度等的预测、年龄的预测、交通流量的预测等。对于预测值是连续的实数范围，或者属于某一段连续的实数区间，我们把这种问题称为回归（Regression）问题。特别地，如果使用线性模型去逼近真实模型，那么我们把这一类方法叫做线性回归，线性回归是回归问题中的一种具体的实现。
• 除了连续值预测问题以外，还有离散值预测问题。比如说硬币正反面的预测，它的预测值y只可能有正面或反面两种可能；再比如说给定一张图片，这张图片中物体的类别也只可能是像猫、狗、天空之类的离散类别值。对于这一类问题，我们把它称为分类（Classification）问题。