Pytorch系列笔记（一）

首先呢，我们来看看机器学习究竟是什么？
以下这些是我们人类可以做的一些行为：

而机器学习呢？
就是通过训练让它可以做一些只有人类才可以完成的行为，对于一些事件进行相关的预测，达到一些目标。



再接下来我们看看机器学习的相关分类：

我们可以看到，机器学习只是AI的一个分支。
而接下来这张图为我们讲述了机器学习的相关发展的一个历程，从最开始的Rule-based Systems，到Classic machine learning，最后到现在很流行的Deep learning。

接下来看看一些现在的Deep learning还存在的一些问题。

•手工设计功能的限制。
•SVM无法很好地处理大数据集。
•越来越多的应用程序需要处理非结构化数据。

但是我们也可以看到现在的Deep learning已经有了很大的进步，我们可以看到随着深度学习技术的不断发展，容错率已经从最开始的28.2%降到了现在的3.57%，这已经是很大的超越了，而且现在的模型深度跟以前的相比也有了很大的简化，并且还取得了更好的成绩。
接下来通过一张图展示一下神经系统网络的不断更新过程：

以下是一些关于学习的一些好消息：
深度学习并不难：

1.只需要--基本代数+概率+ python的知识学习就可以尝试学习。
2.有很多深度学习框架
3.支持高效便捷地使用GPU
4.框架提供的神经网络的许多组件

流行的深度学习框架：

1.Theano (University of Montreal) / TensorFlow (Google)
2.Caffe (UC Berkeley) / Caffe 2 (Facebook)
3.Torch (NYU & Facebook) / PyTorch (Facebook)

而我们主要就来学习相关pytorch的相关知识。
PyTorch是一个python软件包，拥有两个主要特征：

•具有强大GPU加速功能的Tensor计算（如numpy）。
•在基于磁带的自动差异系统上构建的深度神经网络。