第一课深度学习回顾与Pytorch简介_pytorch 的archtecture 是什么-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_40353662/article/details/118440330

本文介绍了深度学习的基础知识，包括常见的激活函数，并详细讲解了如何使用PyTorch构建深度学习模型。PyTorch以其动态计算图和易读性受到青睐，对比Tensorflow的静态计算图，PyTorch更接近Python原生语法。通过实例展示了PyTorch定义神经网络、计算梯度下降和损失函数的过程。此外，还提供了将NumPy数组转换为PyTorch张量以及在CPU和GPU间移动张量的示例。最后，通过一个简单的前向传播和反向传播的PyTorch实现，展示了如何训练神经网络模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、深度学习模型入门

1、常见的激活函数

在这里插入图片描述

二、用Pytorch构建深度学习模型

1、深度学习模型框架概览

在这里插入图片描述

2、PyTorch与其他框架的对比

PyTorch:动态计算图Dynamic Computation（像python）
Tensorflow:静态计算图Static Computation（像c++）
PyTorch代码通俗易懂，非常接近PyTorch原生代码，不会让人感觉是完全在学习一门新的语言。拥有Facebook支持，社区活跃。

3、PyTorch可以做什么？

PyTorch可以定义神经网络，主要干的是这个Model的部分，我们可以用PyTorch来定义这个Architecture,有了这个Architecture，调整Parameters(这些是真正模型的参数），这些参数如何进行优化呢？通过训练数据对这个模型进行优化。像下面这个图，你有一堆输入，这些输入经过这个模型后会产生一些输出，当你拿到模型的输出后，你要拿模型的输出和准确的输出做对比，计算一个loss function（预测的好坏），如果预测的好，说明你用的参数好。如果预测的不好，说明你模型的参数有问题，需要提升它。深度学习的一个标准优化方法是计算Gradient descent,用loss计算每一个Parameter的梯度，然后做梯度的下降。如果loss降低，就认为模型的效果有了提升。

在这里插入图片描述

三、PyTorch精彩项目介绍

在这里插入图片描述

课程安排

四、实战

1、Pytorch基础语法

#%%
import torch
#构造一个未初始化的5*3矩阵
x1=torch.empty(5,3)
#构造一个随机初始化矩阵 (0-1之间)
x2=torch.rand(5,3)
#构造一个全部为0的5*3矩阵
x3=torch.zeros(5,3)
x4=torch.zeros(5,3,dtype=torch.long)
x5=torch.zeros(5,3).long()
x5.dtype
# 从数据中直接构造tensor
x6=torch.tensor([5.5,3])
#%%