深度学习-PyTorch
- 一: Pytorch
- 1> pytorch简介
- 2> PyTorch 特点&优势
- 3> pytorch简史
- 4> pytorch 库
- 5> PyTorch执行流程
- 6> PyTorch 层次结构
- 二: PyTorch常用的高级API和函数
- 1> 自动求导（Autograd）
- 2> 模型容器（Module）
- 3> 优化器（Optimizer）
- 4> 学习率调度器（Learning Rate Scheduler）
- 5> 损失函数（Loss Function）
- 6>数据增强（Data Augmentation）
- 三： PyTorch构建
- 1> PyTorch构建深度学习模型
- 2> PyTorch 模型训练和优化
- 四：PyTorch QAT
- 1> 张量（Tensor）是什么？它与NumPy中的数组有何区别?
- 2> autograd是什么？它有什么作用？
- 3> 如何在PyTorch中进行模型训练和优化
一: Pytorch
1> pytorch简介
| 序列 | 介绍 |
|---|---|
| 1 | pytorch 是深度学习框架和科学计算包 |
| 2 | pytorch之所以可以进行科学计算是因为它是一个张量库并且有相关的张量运算 |
| 3 | pytorch和numpy有很强的互操作性， 原因：1.张量和数组具有相似性；2.pytorch的torch.tensor对象是由numpy的ndarray创建的，它们共享内存 |
| 4 | pytorch 张量运算可在GPU上运行 |
2> PyTorch 特点&优势
| 优势 | 介绍 |
|---|---|
| 易于使用和学习 | PyTorch采用了类似于Python的语法，使得它容易上手和学习。它还提供了丰富的文档和教程，使得开发者可以快速地掌握它的基本使用方法。 |
| 动态计算图 | PyTorch使用动态计算图，这意味着计算图是根据代码在运行时动态生成的，而不是在编译时静态生成的。这使得它更加灵活和易于调试。 |
| 高效的GPU加速 | PyTorch可以在GPU上高效地运行，这使得它能够处理大规模的数据集和模型。 |
| 强大的自动微分 | PyTorch内置了自动微分功能，这使得开发者可以轻松地计算模型的导数， |
 总结（九）)
