第一章 PyTorch 簡介與安裝
本章，將帶領讀者踏入PyTorch的環境配置之路，從Python虛擬環境的搭建到IDE的安裝，CUDA與cuDNN的配置，再到PyTorch的精細安裝，直至Jupyter Notebook的實踐，每一步均圖文並茂。
篇章概覽：
- PyTorch初認識：開篇，將揭示PyTorch的起源，介紹它如何加速從科研原型至部署的路徑，以及背後的歷史與哲學。
- Anaconda環境配置：深入Python虛擬環境的搭建，Anaconda的語法，如何借助它輕鬆管理Python環境與包，創建隔離的環境，為PyTorch鋪路。
- IDE選擇：PyCharm & VS Code：對比兩大IDE，PyCharm的社區版與專業版，VS Code。
- CUDA與cuDNN：介紹CUDA與cuDNN的安裝，如何讓GPU驅動PyTorch加速，選對的CUDA版本匹配，是關鍵的一節。
- PyTorch系列包安裝：從torch、torchvision、torchaudio至torchtext，將詳細介紹安裝流程與版本匹配。
- Jupyter Notebook實踐：介紹Jupyter Notebook的概念及安裝，並且配置Kernel。
1.1 PyTorch 初認識
一句話認識PyTorch
“An open source machine learning framework that accelerates the path from research prototyping to production deployment.” ——選自 https://pytorch.org/
PyTorch 是一個開源機器學習框架，説明使用者加速從演算法模型研究到產品部署的過程。
PyTorch歷史
FAIR（ Facebook AI Research，Facebook人工智慧研究院 ）於2017年初發佈PyTorch，PyTorch 的命名由 Py（代表 Python）和 Torch 組成。Py就是python語言，Torch是一款早期的深度學習框架，所以PyTorch是在Torch基礎上用python語言重新打造的一款深度學習框架。
那麼什麼是Torch呢？Torch是紐約大學在2002年開發的深度學習框架。Torch雖然很好用，但是它採用了一門較為小眾的語言——Lua語言作為介面。這明顯地增高了Torch的使用門檻，想要使用Torch必須學習一門新的程式設計語言，這讓大家都望而卻步。
好在Torch的幕後團隊也意識到這一點，於是團隊採用python語言作為介面對Torch進行了重構，於是就有了PyTorch。
PyTorch代碼最早公開版本可追溯至2016年8月24日的v0.1.1（https://github.com/pytorch/pytorch/tags?after=v0.1.4）
隨後
•2017年1月正式發佈PyTorch
•2018年4月更新0.4.0版，支援Windows系統
•2018年11月更新1.0穩定版，已成為GitHub上第二快的開源項目
......
對PyTorch版本的更新感興趣的讀者，可以關注PyTorch-Tags，這裡是最權威版本更新資訊來源，要比官方文檔還要快。
PyTorch必備網站
要熟悉PyTorch，不得不熟悉PyTorch的一些官方網站，以及這些網站的使用。下面列舉幾個實用的PyTorch網站。
官網包含權威的PyTorch介紹、PyTorch官方文檔、生態資源等資訊。例如在Get Started中，可以獲取權威的安裝資訊。例如，特定版本下，windows系統，所支援的CUDA版本是多少，這點非常關鍵，往往GPU用不起來，就是CUDA版本不匹配。
除了最新穩定版，還可以下載歷史版本的whl檔，進行離線安裝（網速不好的讀者，建議手動下載whl，然後進行安裝）。歷史版本whl的在哪那裡下載呢？ 是需要挖掘的，網址在上圖的windows系統、Pip安裝、Python、CUDA條件下才會出現，它是：https://download.pytorch.org/whl，點擊torch，就可以發現所有歷史版本都在這裡可以找到，並且命名都有良好的規範，這裡不過多介紹，在安裝部分再詳細講解。
除了Get Started欄目，其它欄目也是很好的學習資料。
- Ecosystem：PyTorch生態系統資源庫，裡面收錄生態系統內的資源，也歡迎大家加入並貢獻資源，裡邊有CV資料增強開源庫——albumentations、FB的目標檢測和分割演算法庫——detectron2、優秀的部署平臺——onnxruntime等等
- Mobile：移動端PyTorch實現方案及資源。
- Blog：PyTorch相關新聞。
- Tutorials：案例教程，這裡面都是個人提供的、針對某一個應用的demo級的教程。包含如下方向，對於新手來說，可以看一下，瞭解個大概，但裡面的代碼多是demo，無法開箱即用於項目應用，這也是本書第二部分將會彌補的地方，敬請期待。
- Docs：
PyTorch API官方文檔, 這也是我一直首推的學習資料，PyTorch的文檔非常友好，可以查閱不同版本，各個API都有詳細介紹，大多都有代碼案例，PyTorch的基礎部分主要從這裡開始進行講解。Docs下還會分PyTorch、torchvision、torchaudio、torchtext等，大家需要針對性的檢索。 - Resource：這裡包含各種資源，如社區、新聞報導、論壇、ModelHub資源等等。
PyTorch發展趨勢
為什麼要學PyTorch？ 因為PyTorch發展迅猛，已經在多方面榮登深度學習框架第一的寶座，學術界絕大多數論文都有PyTorch實現，想要緊跟技術，利用新模型進行科學研究，進行專案開發的，不得不跟隨學術界的趨勢，所以可以看到PyTorch席捲各界。
PyTorch稱王，TensorFlow答應麼？一起來看看幾個資料。
圖1： 各大頂會期刊中，使用PyTorch的論文數量占PyTorch+TensorFlow的百分比。其實就是 p / (p+t)，這裡有一個分界點就是50%，當達到50%時，說明PyTorch與TensorFlow平分秋色，當大於50%時說明PyTorch已經超過TF，而當資料超過75%，表明PyTorch已經是TF的兩倍。從這個趨勢可以發現轉捩點在2018-2019年之間發生，現在已經2021年末了，哪個框架是學術界的帶頭大哥？
圖2：這幅圖對比的是PyTorch與TF的決定數量，可以看到TF的份額被PyTorch一步步蠶食，實線代表的PyTorch持續上揚，TF的虛線不斷下探。
圖片出自：https://horace.io/pytorch-vs-tensorflow/
通過學術界的論文情況就可以說明PyTorch是未來的大勢所趨，雖然說早期PyTorch在工業部署上並不如TensorFlow，但是如今PyTorch推出了libtorch，TorchServe，以及各類優秀的，適配性良好的部署框架層出不窮，如TensorRT、OpenVINO、ONNX等，都可以幫助PyTorch進行快速部署
感覺PyTorch是在學術界佔據主導地位，讓科研工作者感到滿意，新模型都是PyTorch實現的，工業界的開發者總不能不用最新的演算法、模型，只能紛紛轉向PyTorch了。因此，相信大家選擇使用PyTorch進行深度學習、機器學習模型開發，一定能加速大家的演算法模型開發，也印證了PyTorch的主旨——An open source machine learning framework that accelerates the path from research prototyping to production deployment.”
留言列表
