PyTorch - 前言

PyTorch 教程

PyTorch 是一个卓越的开源机器学习库，以其易用性、灵活性和强大的性能而闻名，特别是在深度学习模型的研究和开发中。它在学术研究和工业应用中都被广泛采用。PyTorch 最初由 Meta AI（前身为 Facebook 的人工智能研究实验室）开发，现在由 PyTorch Foundation（Linux Foundation 的一部分）管理，拥有一个充满活力的全球社区。其 Pythonic 接口和命令式编程风格（通过动态计算图实现 define-by-run）使其对开发者来说非常直观。PyTorch 在计算机视觉、自然语言处理、生成式 AI 和强化学习等各种领域表现出色。主要优势包括强大的 GPU 加速、广泛的工具和库生态系统（例如用于计算机视觉的 TorchVision、用于自然语言处理的 TorchText、用于音频处理的 TorchAudio），以及与 Python 科学计算栈（如 NumPy 和 SciPy）的无缝集成。

目标读者

本教程面向广泛的读者群体，包括软件开发者、数据科学家、研究人员、学生以及热衷于学习和应用 PyTorch 进行深度学习技术的机器学习爱好者。如果你对 Python 编程有基础了解，并希望使用 PyTorch 构建、训练、部署和理解神经网络，本指南将为你提供必要的 PyTorch 概念、最佳实践以及实用且现代的示例，帮助你入门并不断进步。

前提条件

为了充分利用本教程并有效地学习 PyTorch，理想情况下你应该具备以下条件：

• 扎实的 Python 编程技能：对 Python 语法、数据结构（列表、字典、元组、集合）、函数、类和控制流有良好的理解至关重要。
• 熟悉 Python 环境：强烈建议有 Python 包管理（例如使用 pip）和虚拟环境（如 venv 或 Conda 环境）的经验，以便管理依赖项。
• 机器学习基础概念：了解机器学习的基础概念，如监督学习与无监督学习、训练/验证/测试集划分、特征、标签、损失函数和过拟合等将非常有帮助，尽管本教程会介绍一些概念。
• 数学基础（有益）：虽然对于基本使用来说不是严格要求，但理解线性代数（向量、矩阵、点积）、基础微积分（导数、梯度）以及基础概率与统计等核心数学概念，将极大地帮助理解神经网络和 PyTorch 操作的工作原理，特别是对于更高级的主题和模型定制。欲了解更多详情，你可以在线探索这些主题的资源（例如 Khan Academy、3Blue1Brown）。
• PyTorch 安装：你的系统上已安装 PyTorch。你可以在 PyTorch 官网上（pytorch.org）找到针对你的特定操作系统和 CUDA 版本（如果使用 GPU）的详细安装说明。
• 硬件（可选，但推荐以提高速度）：推荐访问支持 CUDA 的 NVIDIA GPU，以便训练更大的模型或进行更快的实验，但 PyTorch 在 CPU 上也能很好地运行，适合学习和较小的任务。