深入浅出PyTorch——基础知识
一、PyTorch的简介和安装
因为在学习pytorch之前就已经配置和安装好了相关的环境和软件，所以这里就不对第一章进行详细的总结，就简要总结一下：
1.1 pytorch的发展
去了Paper with code网站查看了现在pytorch的使用，远超tensorflow
1.2 PyTorch的优势
简洁、上手快、良好的文档API、社区强大、项目开源。
1.3 PyTorch的安装
1.3.1 Anaconda的安装
官网：Anaconda | Individual Edition
安装成功你的电脑会有以下应用。
1.3.2 查看显卡
（1）使用NVIDIA控制面板
（2）使用任务管理器查看自己是否有NVIDIA的独立显卡及其型号
打开自己任务管理器——>性能
1.4 PyTorch安装
（1）官网：PyTorch官网
（2）进入官网找到适合自己电脑的pytorch，使用conda下载或者pip下载（建议conda安装），可以结合电脑是否有显卡，选择CPU版本还是CUDA版本，CUDA版本需要拥有独显且是NVIDIA的GPU
（3）检验是否安装成功，打开Anaconda终端
输入以下代码，如果显示Ture，则说明安装成功，可以使用。
import torchtorch.cuda.is_available()1.5 pycharm安装
（1）官网
（2）建议配置Anaconda的内置环境，这样电脑就不要重复下载了。
二、PyTorch基础知识
2.1 张量
2.1.1 简介
| 张量维度 | 代表含义 |
| 0维张量 | 标量（数字） |
| 1维张量 | 向量 |
| 2维张量 | 矩阵 |
| 3维张量 | 时间序列数据、股价、文本数据、单张彩色图片(RGB) |
2.1.2 创建tensor
以下为创建tensor的几种方法，用法如下，举一例：
import torch
torch.zeros(4,3)
# 创建的时候输入类型 torch.zeros(4,3,dtype=torch.long)| Tensor(sizes) | 基础构造函数 |
| tensor(data) | 类似于np.array |
| ones(sizes) | 全1 |
| zeros(sizes) | 全0 |
| eye(sizes) | 对角为1，其余为0 |
| arange(s,e,step) | 从s到e，步长为step |
| linspace(s,e,steps) | 从s到e，均匀分成step份 |
| rand/randn(sizes) | rand是[0,1)均匀分布；randn是服从N(0，1)的正态分布 |
| normal(mean,std) | 正态分布(均值为mean，标准差是std) |
| randperm(m) | 随机排列 |
2.1.3 张量的操作
（1）运算
| 直接相加(四则运算都可） | x+y |
| 使用torch.add() | torch.add(x,y) |
| 进行原值修改 | y.add_(x) |
| 求幂 | torch.exp(x) |
（2）索引操作
| 取元素 | x[1:3] |
| 取第一行 | x[0,:] |
| 取第一列 | x[:,0] |
索引出来的结果与原数据共享内存，修改一个，另一个会跟着修改
2.1.4 维度变换
torch.view()，简要的说就是我们创建一个矩阵，然后通过view()从不同的维度去观察这个矩阵，当然在我们对原矩阵进行操作更改后，我们从不同维度进行观察时也会发生改变。这里我们就可以先将原来的进行深度复制，用一个变量进行存储，防止后面的数据丢失
2.1.5 广播机制
2.2 自动求导
2.2.1 autograd的求导机制
“一个设置，三个函数量”
2.2.2 梯度的返向传播
torch.autograd计算一些雅可比矩阵的乘积
2.3 并行计算
2.3.1 为什么进行并行计算
随着数据量的越来越大，计算量也随之越来越大，而为了加快计算的速度，可以使用多个GPU进行并行计算，减少运行的时间。
2.3.2 使用CUDA
CUDA支持GPU计算，设置方法如下：
#设置在文件最开始部分
import os
os.environ["CUDA_VISIBLE_DEVICE"] = "2" # 设置默认的显卡# 选择GPU的块数以及从多块中指定其中n块GPU计算
CUDA_VISBLE_DEVICE=0,1 python train.py # 使用0，1两块GPU2.3.3 不同的GPU并行运行方式
深入浅出PyTorch：https://github.com/datawhalechina/thorough-pytorch