PyTorch——一款好用的深度学习框架

120分钟讲解如何从0行代码开始搭建一个Pytorch图像识别模型

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用 [1] 。
外文名PyTorch提出时间2017年1月研发机构Facebook人工智能研究院

发展历史
PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。
2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。
2022年9月，扎克伯格亲自宣布，PyTorch 基金会已新鲜成立，并归入 Linux 基金会旗下。 [5]
运行环境
已兼容Windows(CUDA,CPU)、MacOS(CPU)、Linux(CUDA,ROCm,CPU)
优点
PyTorch是相当简洁且高效快速的框架
设计追求最少的封装
设计符合人类思维，它让用户尽可能地专注于实现自己的想法
与google的Tensorflow类似，FAIR的支持足以确保PyTorch获得持续的开发更新
PyTorch作者亲自维护的论坛 供用户交流和求教问题
入门简单 [2]
基础环境
一台PC设备、一张高性能NVIDIA显卡(可选)、Ubuntu系统。
环境搭建
安装Pytorch
PyTorch的安装十分简单，根据PyTorch官网，对系统选择和安装方式等灵活选择即可。这里以anaconda为例。
Pytorch的安装经过了几次变化，请大家以官网的安装命令为准。另外需要说明的就是在1.2版本以后，Pytorch只支持cuda 9.2以上了，所以需要对cuda进行升级，部分显卡都可以用，包括笔记本的MX250也是可以顺利升级到cuda 10.1。此处使用Conda包管理器。
注意：如果使用镜像站，请删除“-c pytorch”；安装CUDA（即GPU）版本时注意安装CUDNN运行库

1 2 3 4 5 6

# 全部通用，ROCm仅支持Linux conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch    #CUDA 10.2 conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch    #CUDA 11.3 conda install pytorch torchvision torchaudio cpuonly -c pytorch #CPU pip3 install torch torchvision==0.11.2 -f https://download.pytorch.org/whl/rocm4.2/torch_stable.html # ROCm 4.2 （仅Linux）

验证输入python 进入

1 2 3 4

import torch print(torch.__version__)    #Pytorch版本 print(torch.version.cuda)   #CUDA版本 print(torch.backends.cudnn.version())   #CUDNN版本

配置Jupyter Notebook

1 2 3 4

#安装ipykernel conda install ipykernel #写入环境 python -m ipykernel install  --name pytorch --display-name "Pytorch for Deeplearning"

下一步：定制 Jupyter Notebook

1 2 3 4 5

#切换回基础环境 activate base #创建jupyter notebook配置文件 jupyter notebook --generate-config ## 这里会显示创建jupyter_notebook_config.py的具体位置

打开文件，修改

1 2	c.NotebookApp.notebook_dir = '' 默认目录位置 c.NotebookApp.iopub_data_rate_limit = 100000000 这个改大一些否则有可能报错

测试
至此，Pytorch 的开发环境安装完成，可以在开始菜单中打开Jupyter Notebook 在New 菜单中创建文件时选择Pytorch for Deeplearning 创建PyTorch的相关开发环境了 [3] 。
版本更新
继TensorFlow更新后，PyTorch也迎来了最新的 1.4 版。
本次更新的重点是增加了很多重要的新特性，包括给用户提供Build级别的移动端定制化支持、增加分布式模型并行训练、让Java程序能够运行TorchScript等。此外还有JIT、C++、分布式训练、Eager前端、PyTorch Mobile等方面的功能改进和Bug修复。
本次PyTorch 更新是最后一个支持Python2的版本，同时也是最后一个支持C++11的版本。官方提示说，用户应当开始迁移到Python3，并使用C++14开始编译工作 [4] 。