深度學習-PyTorch
- 一: Pytorch
- 1> pytorch簡介
- 2> PyTorch 特點&優勢
- 3> pytorch簡史
- 4> pytorch 庫
- 5> PyTorch執行流程
- 6> PyTorch 層次結構
- 二: PyTorch常用的高級API和函數
- 1> 自動求導（Autograd）
- 2> 模型容器（Module）
- 3> 優化器（Optimizer）
- 4> 學習率調度器（Learning Rate Scheduler）
- 5> 損失函數（Loss Function）
- 6>數據增強（Data Augmentation）
- 三： PyTorch構建
- 1> PyTorch構建深度學習模型
- 2> PyTorch 模型訓練和優化
- 四：PyTorch QAT
- 1> 張量（Tensor）是什么？它與NumPy中的數組有何區別?
- 2> autograd是什么？它有什么作用？
- 3> 如何在PyTorch中進行模型訓練和優化
一: Pytorch
1> pytorch簡介
| 序列 | 介紹 |
|---|---|
| 1 | pytorch 是深度學習框架和科學計算包 |
| 2 | pytorch之所以可以進行科學計算是因為它是一個張量庫并且有相關的張量運算 |
| 3 | pytorch和numpy有很強的互操作性， 原因：1.張量和數組具有相似性；2.pytorch的torch.tensor對象是由numpy的ndarray創建的，它們共享內存 |
| 4 | pytorch 張量運算可在GPU上運行 |
2> PyTorch 特點&優勢
| 優勢 | 介紹 |
|---|---|
| 易于使用和學習 | PyTorch采用了類似于Python的語法，使得它容易上手和學習。它還提供了豐富的文檔和教程，使得開發者可以快速地掌握它的基本使用方法。 |
| 動態計算圖 | PyTorch使用動態計算圖，這意味著計算圖是根據代碼在運行時動態生成的，而不是在編譯時靜態生成的。這使得它更加靈活和易于調試。 |
| 高效的GPU加速 | PyTorch可以在GPU上高效地運行，這使得它能夠處理大規模的數據集和模型。 |
| 強大的自動微分 | PyTorch內置了自動微分功能，這使得開發者可以輕松地計算模型的導數， |
 總結（九）)
