3、深度学习与 PyTorch 库入门

深度学习与 PyTorch 库入门

1. 成功执行深度学习所需要素

从深度学习的执行角度来看，要成功开展深度学习，需要以下几点：
- 要有方法来摄取手头的各类数据。
- 需定义深度学习模型。
- 要有自动化的训练方式，以获取有用的表示并使模型产生期望的输出。

训练过程中，会使用一个准则（即模型输出和参考数据的实值函数）来衡量模型期望输出与实际输出之间的差异（通常分数越低越好）。训练就是通过逐步修改深度学习模型，使这个准则的分数越来越低，直至模型在未见过的数据上也能取得低分数。

2. PyTorch 用于深度学习

PyTorch 是一个用于 Python 程序的库，有助于构建深度学习项目。它强调灵活性，允许以惯用的 Python 方式表达深度学习模型。其易用性使其在研究界早期就有了一批采用者，自首次发布以来，已发展成为广泛应用领域中最突出的深度学习工具之一。

PyTorch 为深度学习提供了出色的入门途径，同时也完全适用于专业的实际工作。其清晰的语法、简洁的 API 和易于调试的特性，使其成为引入深度学习的绝佳选择。

PyTorch 的核心是一个将输入映射到输出的复杂数学函数。为了便于表达这个函数，PyTorch 提供了核心数据结构——张量（Tensor），它是一种多维数组，与 NumPy 数组有很多相似之处。围绕这个基础，PyTorch 具备在专用硬件上执行加速数学运算的功能，方便设计神经网络架构并在单台机器或并行计算资源上进行训练。

要充分利用 PyTorch，需要具备以下两点：
- 一定的 Python 编程经验，包括熟悉 Python 数据类型、类、浮