PyTorch零基础入门

PyTorch系列

发布日期: 2024-01-02

更新日期: 2024-01-04

文章字数: 653

阅读时长: 2 分

阅读次数:

PyTorch介绍

PyTorch是Facebook人工智能研究员(FAIR)于2017年在Github上开源，前身是Torch。Torch并非是用主流语言编写，考虑到AI行业主流语言与受众群体，factbook用Python对Torch框架进行重构，虽然pytorch有某些底层功能也用到了c/c++写的，但pytorch都给这些功能提供了python的接口，这样可以让程序员很方便的用python调用PyTorch整个框架的功能，以此来完成深度学习的模型搭建，并利用这些模型来解决实际问题。

Pytorch vs TensorFlow

Pytorch	TensorFlow
简洁（编程同Python几乎一致）动态计算 visdom 部署不方便	接口复杂静态图（TF2.0 Eager Execution已引入动态图） Tensorboard (现阶段PyTorch也引入了) 部署方便(TF serving)

什么是动态图与静态图

动态图: 编好程序即可执行，

静态图: 先搭建计算图，后运行，允许编译器进行优化

部署方式

Pytorch如果要做部署，需要用到Python的fastAPI等来完成部（也可直接用Starlette。FastAPI也是基于Starlette，适用于高并发）
TensorFlow的TF serving直接完成部署，在资源调度上更好一些，在模型部署时比较好。
学习建议：时间足够的话，两者都学习；时间不够，学pytorch。

torch编程

编程与调试都比较简单

import torch
A = torch.Tensor([0])
B = torch.Tensor([10])
while(A<B)[O]:
   A += 2
   B+=1
   print(A)
   print(B)

TensorFlow编程:

静态图在编译时，可以被编译器进行一些优化操作; 代码编译复杂，调试不直观

import tensorflow as tf
A = tf.constant(0)
B = tf.constant(10)
def cond(A, B,*args):
    return A < B

def body(A, B)
	A = tf.add(A, 2)
	B = tf.add(B 1)
	return A, B

c1, c2 = tf.while_loop(cond, body,[A,B])

with tf.Session() as sess:
	A res, B res = sess.run([c1, c2])

print(A res)
print(B res)