PyTorch入门教程中文版
教程介绍
PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebook的人工智能小组开发，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能：具有强大的GPU加速的张量计算（如Numpy） 包含自动求导系统的深度神经网络
除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch。
官方教程包含了 PyTorch 介绍，安装教程；60分钟快速入门教程，可以迅速从小白阶段完成一个分类器模型；计算机视觉常用模型，方便基于自己的数据进行调整，不再需要从头开始写；自然语言处理模型，聊天机器人，文本生成等生动有趣的项目。
PyTorch简介与下载
PyTorch简介
要介绍PyTorch之前，不得不说一下Torch。Torch是一个有大量机器学习算法支持的科学计算框架，是一个与Numpy类似的张量（Tensor） 操作库，其特点是特别灵活，但因其采用了小众的编程语言是Lua，所以流行度不高，这也就有了PyTorch的出现。所以其实Torch是 PyTorch的前身，它们的底层语言相同，只是使用了不同的上层包装语言。
PyTorch是一个基于Torch的Python开源机器学习库，用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能：具有强大的GPU加速的张量计算（如Numpy）包含自动求导系统的深度神经网络
除了Facebook之外，Twitter、GMU和Salesforce等机构都采用了PyTorch。
TensorFlow和Caffe都是命令式的编程语言，而且是静态的，首先必须构建一个神经网络，然后一次又一次使用相同的结构，如果想要改变网络的结构，就必须从头开始。但是对于PyTorch，通过反向求导技术，可以让你零延迟地任意改变神经网络的行为，而且其实现速度快。正是这一灵活性是PyTorch对比TensorFlow的最大优势。
另外，PyTorch的代码对比TensorFlow而言，更加简洁直观，底层代码也更容易看懂，这对于使用它的人来说理解底层肯定是一件令人激动的事。
所以，总结一下PyTorch的优点：支持GPU 灵活，支持动态神经网络底层代码易于理解命令式体验自定义扩展
当然，现今任何一个深度学习框架都有其缺点，PyTorch也不例外，对比TensorFlow，其全面性处于劣势，目前PyTorch还不支持快速傅里叶沿维翻转张量和检查无穷与非数值张量；针对移动端、嵌入式部署以及高性能服务器端的部署其性能表现有待提升；其次因为这个框架较新，使得它的社区没有那么强大，缺少文档说明。
PyTorch下载安装
前提
默认已经安装好python环境和Jupyter（或其他编译工具）。
安装torch
安装torchvision
安装和使用过程比较简单，如果有其他报错，可以自行查阅网上踩坑博客解决。
说明
上述PyTorch下载安装教程原文是用Anaconda的方式安装的，个人感觉冗余太多，附教程链接：
PyTorch环境搭建
PyTorch入门
PyTorch 是一个基于 Python 的科学计算包，主要定位两类人群：NumPy 的替代品，可以利用 GPU 的性能进行计算深度学习研究平台拥有足够的灵活性和速度
张量 Tensors
Tensors 类似于 NumPy 的 ndarrays ，同时 Tensors 可以使用 GPU 进行计算。导入 torch 模块
构造一个5×3的矩阵，不做初始化
输出：
构造一个5×3的随机初始化矩阵
输出：
构造一个元素全为0，数据类型为long的矩阵
输出：
直接使用数据 [5.5, 3] 构造一个张量
输出：
根据已有的tensor再创建一个tensor
输出：
获取tensor的维度信息
输出：
【注意：是一个元组，所以它支持左右的元组操作。】
张量的操作
张量的加法
加法方式1：
输出：
加法方式2：
输出：
加法方式3：提供一个tensor作为输出参数
输出：
加法方式4：
输出：
【注意：任何使张量会发生变化的操作都有一个前缀 '_'】
例如：, , 将会改变 .
张量的索引
使用与标准的 NumPy 类似的索引操作
输出：
张量的大小形状
改变张量的大小形状
输出：
张量的元素值
当tensor中只有一个元素时，可以使用来获取这个元素的值获取单元素张量的值
输出：
tensor与numpy的转换
tensor转换为numpy
tensor转换为numpy
输出：
输出：
numpy转换为tensor
numpy转换为tensor
输出：
输出：
CUDA程序框架
程序构架分为两部分：和。一般而言，指的是，指的是。在程序构架中，主程序还是由来执行，而当遇到数据并行处理的部分， 就会将程序编译成能执行的程序，并传送到。
