+关注我们
您的位置:首页 > 4天学会PyTorch | 香港科技大学

4天学会PyTorch | 香港科技大学

评论数(0)
在学人数(2)

课程目的

香港科技大学计算机系教授 Sung Kim 在 Google Drive在 GitHub 上又分享了一个 4 日的速成教程,教大家如何使用 PyTorch 进行机器学习/深度学习。


课程详情


2017年1月18日, facebook下的torch7团队宣布Pytorch开源。它是使用 GPU 和 CPU 优化的深度学习张量库,也是一个 Python 工具包,和tensorflow、Caffe和MXnet一样,是目前最流行的深度学习框架之一。


PyTorch的三大优势:

.Python优先支持策略:

Pytorch主推的特性之一,就是支持python(官方的提法:puts Python first)。因为直接构建自 Python C API,Pytorch从细粒度上直接支持python的访问。相比于原生Python实现,引入的新概念很少,这不仅降低了 python 用户理解的门槛,也能保证代码基本跟原生的 python 实现一致。事实上,开发者可以直接用原生 python 代码扩展 Pytorch 的 operation。


.动态图的良好支持

Tensorflow运行必须提前建好静态计算图,然后通过feed和run重复执行建好的图。但是Pytorch却不需要这么麻烦:PyTorch的程序可以在执行时动态构建/调整计算图。相对来说,pytorch具有更好的灵活性。这得益于Pytorch直接基于 python C API 构建的 python 接口。


.易于Debug

Pytorch在运行时可以生成动态图,开发者就可以在堆栈跟踪中看到哪一行代码导致了错误。你甚至可以在调试器中停掉解释器并看看某个层会产生什么。


PyTorch主要组件

1. Torch:类似于 NumPy 的张量库,带有强大的 GPU 支持

2. torch.autograd:一个基于 tape 的自动微分库,支持 torch 中的所有的微分张量运算

3. torch.nn:一个专为最大灵活性而设计、与 autograd 深度整合的神经网络库

4. torch.multiprocessing:Python 多运算,但在运算中带有惊人的 torch 张量内存共享。这对数据加载和 Hogwild 训练很有帮助。

5. torch.utils:数据加载器、训练器以及其他便利的实用功能

6. torch.legacy(.nn/.optim):出于后向兼容性原因而从 torch 移植而来的旧代码


使用 PyTorch的目的

·         代替 NumPy 从而可以使用强大的 GPU

·         PyTorch 作为深度学习研究平台提供了最大的灵活性与速度


PyTorch社区

PyTorch(官网地址:http://pytorch.org/) 是由若干个资深工程师和研究者共同发起的社区项目,目前主要的维护人员有 Adam Paszke、Sam Gross、Soumith Chintala 和 Gregory Chanan。


PyTorch 4天速成教程 

香港科技大学计算机系教授 Sung Kim 在 Google Drive在 GitHub 上又分享了一个  4 日的速成教程,教大家如何使用 PyTorch 进行机器学习/深度学习。


代码链接:https://github.com/hunkim/PyTorchZeroToAll

 资料见下载区




资料下载

我要提问

立即登录,提交问题
  • 内容:

全部问答

最近学习的学员

教师

    老师头像-PPV课
PPV课讲师
专注大数据教学,可视化工具应用
资料修改成功!
确定

小V: 点击这里给我发消息

Jedis:点击这里给我发消息

关闭