PyTorch 是什么
什么是 PyTorch？
PyTorch 是一个用于深度学习的开源 Python 框架。它提供了丰富的工具和函数，使得开发者可以轻松地构建、训练和部署各种深度学习模型，包括神经网络、卷积神经网络、循环神经网络等。
PyTorch 的主要特点包括：
- 动态计算图： PyTorch 使用动态计算图，允许在运行时定义和修改计算图，这对于实验和模型调试非常有用。
- 自动求导： PyTorch 自动处理梯度计算，使得实现梯度下降等优化算法变得更加容易。
- 张量操作： PyTorch 提供了类似于 NumPy 的张量操作函数，用于在高维数组上执行各种数学和操作。
Tensor 是什么？
无论使用哪个深度学习框架，它的张量类（在 PyTorch 和 TensorFlow 中为 Tensor）都与 Numpy 的 ndarray 类似。 但深度学习框架又比 Numpy 的 ndarray 多一些重要功能： 首先，GPU 很好地支持加速计算，而 NumPy 仅支持 CPU 计算； 其次，张量类支持自动微分。 这些功能使得张量类更适合深度学习。
Tensor（张量）是一个数学和计算机科学领域的概念，用于表示多维数组（矩阵、向量等）的数据结构。在深度学习和机器学习中，张量是一种非常重要的数据结构，用于存储和处理神经网络中的输入、权重、中间表示和输出等数据。
在不同的维度下，张量可以有不同的名称：
- 0维张量： 称为标量（Scalar），表示一个单独的数值。
- 1维张量： 称为向量（Vector），表示一维的数据序列，类似于一列数值。
- 2维张量： 称为矩阵（Matrix），表示二维的数据结构，类似于二维的表格。
- 3维张量： 例如，多张二维图像可以组成一个三维张量，其中每个二维切片表示一张图像。
- 更高维张量： 在深度学习中，还经常遇到更高维度的张量，例如，包含多个图像批次的四维张量。
例如，在 PyTorch 中，你可以使用以下方式创建一个简单的张量：
import torch
# 创建一个标量（0维张量）
scalar = torch.tensor(5)
# 创建一个向量（1维张量）
vector = torch.tensor([1, 2, 3])
# 创建一个矩阵（2维张量）
matrix = torch.tensor([[1, 2], [3, 4], [5, 6]])