本文始发于个人公众号：TechFlow，原创不易，求个关注
今天这篇是Pytorch专题第一篇文章。
大家好，由于我最近自己在学习Pytorch框架的运用，并且也是为了响应许多读者的需求，推出了这个Pytorch专题。由于这个专题是周末加更的，所以不能保证更新进度，我尽量和其他专题一样，每周一更。
Pytorch简介Pytorch底层是Torch框架，Torch框架是一个科学计算框架，拥有一个与Numpy类似的张量操作库。非常灵活，但是它的语言是Lua，比较小众，因此没有广泛流行。
后来开发团队在Torch的基础上包装了一层Python的Api，使得我们可以通过Python来进行调用。它是由Facebook的人工智能小组开发维护的，目前在业内也非常流行，尤其是学术界，几乎清一色的Pytorch。它拥有两个最大的优点，一个是动态网络，像是TensorFlow等框架定义出来的神经网络是静态的，一旦写死不能轻易改变。但是Pytorch我们可以零延迟地改变任何神经网络。第二个有点是具有强大的GPU加速计算的工具，Pytorch的GPU加速非常好用。
另外Pytorch的语法更加简洁规范，更加Pythonic，学习曲线也更平稳一些。写出来的代码更加容易理解，更适合初学者。
当然由于诞生的时间还短，并且在工业界的普及度还不如TensorFlow，所以它也有一些短板，比如一些底层的文档不够完善，一些功能欠缺等等。在我个人的学习和使用当中，我的体验非常好，因此如果你没有学过深度学习的框架的话，推荐使用它作为你的第一门框架。
云服务器既然是深度学习的框架，那么最好是能够拥有GPU环境。但是对于我们大多数人而言，GPU环境并不是一个容易的事情。比如我是Mac党，本身的机器就没有N卡，外接也不方便。当然没有GPU用CPU硬肝也是可以的，不过发热很严重，对电脑也有损伤。所以，最好的办法就是租借网上的GPU云服务器或者是云服务。
推荐一下滴滴云服务器，我个人使用下来体验还不错，最便宜的只要两块多一个小时，应该比网吧上网便宜。最近在搞巨大活动，包年云GPU只要2200，简直是白菜价中的白菜价。注意这个优惠只能第一笔下单的时候享受。如果感兴趣的话可以访问链接：https://i.didiyun.com/2cvmFVGpCjz
因为我是特邀用户，所以我拿到了内部优惠的大师码，如果要购买其他GPU云服务器的话，可以在付款的时候输入我的大师码2323，可以再享受9折优惠。
当然你也可以购买装好环境的Notebook，或者是按照时常购买。Notebook好处是预装了各种环境，上手可用，但是缺点是不支持定制化，一些操作不太方便。毕竟有了云服务器可以自己搭建Notebook，但是Notebook并不支持服务器的功能。
如果你想要使用其他云服务器平台，可以查看我之前的文章
环境配置为了防止一些小白租借了机器不会用，接下来提供一下配置环境的详细教程（基于滴滴云）。如果你用的别家的服务器，由于环境不一定完全相同，所以可能并不一定适用，只能当做参考。
总之我们整个流程是：安装Python3，安装jupyter，配置jupyter远程访问，安装Pytorch。
这些是明面上的流程，如果机器环境不健全，还会有一些隐藏流程。比如说普通的Linux环境需要配置apt-get，还需要下载git，wget等常用工具。如果没有cuda驱动的话，还需要自己安装cuda配置。如果其中的步骤出现了问题，还需要分析问题的原因解决问题。所以说配置环境说起来简单，但是实际操作的时候问题并不少。
安装Python3
yum install python36安装 jupyter notebook
sudo pip3 install ipython jupyter notebook lab设置jupyter的密码
jupyter notebook password生成jupyter notebook的配置，这个配置默认不存在，需要我们通过这个命令来生成。
jupyter notebook --generate-config运行之后，会返回配置文件所在的路径：
我们用vim打开，修改其中的几行：
c.NotebookApp.ip='0.0.0.0' c.NotebookApp.open_browser = False c.NotebookApp.port =8888 # 可以自己指定我们需要将本地的端口和远程进行绑定，这样我们就可以在本地打开远程的jupyter了。这一行代码当中我们将本地的8899绑定了远程的8888端口。这里的8888端口就是上面配置当中的远程的jupyter端口。
ssh dc2-user@116.85.10.225 -L 127.0.0.1:8899:127.0.0.1:8888如果你喜欢的话，还可以安装一下jupyter lab
sudo pip3 install jupyterlab使用方法和notebook类似，在远程执行命令开启jupyter
jupyter lab --allow-root启动没有问题的话，我们在本地访问：:8899就可以打开Jupyter，输入密码之后就可以使用了。
当我们用完了云服务器之后，要记得删除机器。但由于平台机器数量有限，根据当前平台的设置，关机之后依然会为用户保留资源，但是前提是需要付费。如果你是按时租的服务器显然不能接受自己没在使用还需要付费。针对这个问题，我们可以通过快照来解决。我们在关机之前先创建快照：
然后删除云服务器，下次重新创建服务器的时候选择从快照创建。这样下次创建的机器还可以保留当前的配置和数据，而且也不需要扣费了。如果你嫌麻烦的话，还可以加我的微信联系我，我帮你找到工作人员加入关机免扣费的白名单。
我们用pip安装一下Pytorch和一些其他需要用到的包。安装好了，之后，我们通过torch.cuda.is_avaiable()查看一下cuda的情况，如果输出是True，那说明已经安装好了。
Pytorch当中很重要的一个概念就是tensor，它直译过来是张量，TensorFlow当中的tensor也是这个意思。我们可以认为tensor是一个高维的数组。当它是0维的时候就是一个数，一个标量。当它是一维的时候就是一个向量，二维的时候是一个矩阵，多维的时候是高维的数组。它和Numpy当中的数组类似，不过Tensor可以使用GPU进行加速。
我们通过torch当中的接口来初始化tensor，和Numpy当中的数组类似，它支持好几种初始化的方式。
empty函数创建一个指定大小的未初始化的tensor，当中的元素内容是不可保证的。
rand创建一个随机初始化的数组：
ones和zeros创建全是0或者全是1的数组：
我们可以传入类型指定元素的类型
我们也可以通过现成的数组创建tensor：
这些创建函数都有对应的like方法，可以传入一个已有的tensor，创建出一个和它一样大小的新的tensor来。
这里只是列举了常用的几种，官方的api当中还有其他的几种创建tensor的方式：
除此之外，tensor还支持从numpy的数组当中创建，我们可以利用from_numpy函数来实现：
同理，我们也可以通过numpy函数，从一个tensor得到numpy的数组：
还可以通过tolist方法将tensor转化成Python的数组：
Tensor(*sizes) 基础构造函数
tensor(data,) 类似np.array的构造函数
ones(*sizes) 全1Tensor
zeros(*sizes) 全0Tensor
eye(*sizes) 对角线为1，其他为0
arange(s,e,step) 从s到e，步长为step
linspace(s,e,steps) 从s到e，均匀切分成steps份
rand/randn(*sizes) 均匀/标准分布
normal(mean,std)/uniform(from,to) 正态分布/均匀分布
randperm(m) 随机排列
我们在创建tensor的时候不仅可以指定它们的类型，还可以指定它们存放的设备。比如是CPU还是GPU。当然前期我们暂时用不到这点，只需要记得即可。
总结这是Pytorch的第一篇文章，我们简单了解了一下这个框架，以及它当中tensor这个数据结构。简单来说，我们可以用常用的Numpy去类比它。基本上Numpy当中有的功能它都有，它还有一些自己特性Numpy没有的api。但不管怎么说，万变不离其宗，tensor的用处就是为了方便我们处理数据的。
关于Pytorch中tensor的用法还有很多，实在是没有办法在一篇文章当中穷尽，所以这里只是简单介绍，具体的用法将会放在下一篇文章当中，让我们下周再见吧。