PyTorch - 术语

在本章中，我们将讨论 PyTorch 中一些最常用的术语。

PyTorch NumPy

PyTorch 张量与 NumPy 数组相同。 张量是一个 n 维数组，相对于 PyTorch，它提供了许多函数来对这些张量进行操作。

PyTorch 张量通常利用 GPU 来加速其数值计算。 这些在 PyTorch 中创建的张量可用于将两层网络拟合到随机数据。 用户可以通过网络手动实现前向和后向传递。

变量和 Autograd

使用 autograd 时，网络的前向传递将定义一个计算图 − 图中的节点是张量，边是从输入张量产生输出张量的函数。

PyTorch 张量可以创建为变量对象，其中变量表示计算图中的一个节点。

动态图表

静态图很好，因为用户可以预先优化图。 如果程序员一遍又一遍地重用同一个图，那么当同一个图被一遍又一遍地重新运行时，这种潜在的代价高昂的前期优化可以得到维护。

它们之间的主要区别在于 Tensor Flow 的计算图是静态的，而 PyTorch 使用动态计算图。

优化包

PyTorch 中的 optim 包抽象了以多种方式实现的优化算法的思想，并提供了常用优化算法的说明。 这可以在 import 语句中调用。

多处理

多处理支持相同的操作，因此所有张量都可以在多个处理器上工作。 队列会将它们的数据移动到共享内存中，并且只会将句柄发送给另一个进程。