第1章深度学习和PyTorch库简介

主要内容：

了解深度学习如何改变我们在机器学习中所使用的方法。
了解为何Pytorch适合深度学习。
了解要使用书中例子所需要的硬件配置。

1.1 深度学习革命

神经网络提取数据并根据实例提取有用表征的能力，正是深度学习如此强大的原因。

1.2 `Pytorch` 深度学习

Pytorch提供了一个核心数据结构 - 张量。

1.3 为什么用`Pytorch`

Pytorch 具备2个特性，使得它与深度学习关联紧密。

使用 GPU 加速计算，通常比在 CPU 上执行相同的计算速度快50倍。
提供了支持通用数学表达式数值优化的工具，该工具用于训练深度学习模型。

1.4 `Pytorch`如何支持深度学习概述

Pytorch大部分是用 C++ 和 CUDA 编写的，CUDA 是一种来自英伟达的类 C++ 的语言，可以被编译并在 GPU 上以并行方式运行。

用于构建神经网络的 Pytorch 核心模块位于 torch.nn中，它提供了通用的神经网络层和其他架构组件。全连接层、卷积层、激活函数和损失函数都可以在这里找到。

1.5 硬件要求和软件要求

硬件要求：NVIDIA GTX 1070或更高的配置。

软件要求：Jupyter Notebook、python3.6+。

1.6 代码

1_making_sure_things_work：

python 复制代码

# 导入torch
import torch

# 查看torch的版本
torch.version.__version__
'2.6.0+cu126'

# 查看cuda是否可用
torch.cuda.is_available()
True

# 新建张量
a = torch.ones(3,3)
a
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

b = torch.ones(3,3)
b
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])

# 张量相加
a + b
tensor([[2., 2., 2.],
        [2., 2., 2.],
        [2., 2., 2.]])

# 上面是张量在CPU上进行计算，将张量放在GPU上进行运算
a = a.to('cuda')
b = b.to('cuda')
a + b
tensor([[2., 2., 2.],
        [2., 2., 2.],
        [2., 2., 2.]], device='cuda:0')

第1章 深度学习和PyTorch库简介