Pytorch簡介

Pytorch底層是Torch框架，Torch框架是一個科學計算框架，擁有一個與Numpy類似的張量操作庫。非常靈活，但是它的語言是Lua，比較小眾，因此沒有廣泛流行。

后來開發團隊在Torch的基礎上包裝了一層Python的Api，使得我們可以通過Python來進行調用。它是由Facebook的人工智能小組開發維護的，目前在業內也非常流行，尤其是學術界，幾乎清一色的Pytorch。它擁有兩個最大的優點，一個是動態網絡，像是TensorFlow等框架定義出來的神經網絡是靜態的，一旦寫死不能輕易改變。但是Pytorch我們可以零延遲地改變任何神經網絡。第二個有點是具有強大的GPU加速計算的工具，Pytorch的GPU加速非常好用。

另外Pytorch的語法更加簡潔規范，更加Pythonic，學習曲線也更平穩一些。寫出來的代碼更加容易理解，更適合初學者。

當然由于誕生的時間還短，并且在工業界的普及度還不如TensorFlow，所以它也有一些短板，比如一些底層的文檔不夠完善，一些功能欠缺等等。在我個人的學習和使用當中，我的體驗非常好，因此如果你沒有學過深度學習的框架的話，推薦使用它作為你的第一門框架。

云服務器既然是深度學習的框架，那么最好是能夠擁有GPU環境。但是對于我們大多數人而言，GPU環境并不是一個容易的事情。比如我是Mac黨，本身的機器就沒有N卡，外接也不方便。當然沒有GPU用CPU硬肝也是可以的，不過發熱很嚴重，對電腦也有損傷。所以，最好的辦法就是租借網上的GPU云服務器或者是云服務。

查看原文

因為我是特邀用戶，所以我拿到了內部優惠的大師碼，如果要購買其他GPU云服務器的話，可以在付款的時候輸入我的大師碼2323，可以再享受9折優惠。

當然你也可以購買裝好環境的Notebook，或者是按照時常購買。Notebook好處是預裝了各種環境，上手可用，但是缺點是不支持定制化，一些操作不太方便。畢竟有了云服務器可以自己搭建Notebook，但是Notebook并不支持服務器的功能。

如果你想要使用其他云服務器平臺，可以查看我之前的文章

想要學深度學習但是沒有GPU?我幫你找了一些不錯的平臺

環境配置為了防止一些小白租借了機器不會用，接下來提供一下配置環境的詳細教程(基于滴滴云)。如果你用的別家的服務器，由于環境不一定完全相同，所以可能并不一定適用，只能當做參考。

總之我們整個流程是：安裝Python3，安裝jupyter，配置jupyter遠程訪問，安裝Pytorch。

這些是明面上的流程，如果機器環境不健全，還會有一些隱藏流程。比如說普通的Linux環境需要配置apt-get，還需要下載git，wget等常用工具。如果沒有cuda驅動的話，還需要自己安裝cuda配置。如果其中的步驟出現了問題，還需要分析問題的原因解決問題。所以說配置環境說起來簡單，但是實際操作的時候問題并不少。

安裝Python3

yuminstallpython36

安裝jupyternotebook

sudopip3installipythonjupyternotebooklab

設置jupyter的密碼

jupyternotebookpassword

生成jupyternotebook的配置，這個配置默認不存在，需要我們通過這個命令來生成。

jupyternotebook--generate-config

運行之后，會返回配置文件所在的路徑：

我們用vim打開，修改其中的幾行：

c.NotebookApp.ip='0.0.0.0'

c.NotebookApp.open_browser=False

c.NotebookApp.port=8888#可以自己指定

我們需要將本地的端口和遠程進行綁定，這樣我們就可以在本地打開遠程的jupyter了。這一行代碼當中我們將本地的8899綁定了遠程的8888端口。這里的8888端口就是上面配置當中的遠程的jupyter端口。

sshdc2-user@116.85.10.225-L127.0.0.1:8899:127.0.0.1:8888

如果你喜歡的話，還可以安裝一下jupyterlab

sudopip3installjupyterlab

使用方法和notebook類似，在遠程執行命令開啟jupyter

jupyterlab--allow-root

當我們用完了云服務器之后，要記得刪除機器。但由于平臺機器數量有限，根據當前平臺的設置，關機之后依然會為用戶保留資源，但是前提是需要付費。如果你是按時租的服務器顯然不能接受自己沒在使用還需要付費。針對這個問題，我們可以通過快照來解決。我們在關機之前先創建快照：

然后刪除云服務器，下次重新創建服務器的時候選擇從快照創建。這樣下次創建的機器還可以保留當前的配置和數據，而且也不需要扣費了。如果你嫌麻煩的話，還可以加我的微信聯系我，我幫你找到工作人員加入關機免扣費的白名單。

我們用pip安裝一下Pytorch和一些其他需要用到的包。安裝好了，之后，我們通過torch.cuda.is_avaiable()查看一下cuda的情況，如果輸出是True，那說明已經安裝好了。

tensorPytorch當中很重要的一個概念就是tensor，它直譯過來是張量，TensorFlow當中的tensor也是這個意思。我們可以認為tensor是一個高維的數組。當它是0維的時候就是一個數，一個標量。當它是一維的時候就是一個向量，二維的時候是一個矩陣，多維的時候是高維的數組。它和Numpy當中的數組類似，不過Tensor可以使用GPU進行加速。

我們通過torch當中的接口來初始化tensor，和Numpy當中的數組類似，它支持好幾種初始化的方式。

empty函數創建一個指定大小的未初始化的tensor，當中的元素內容是不可保證的。

rand創建一個隨機初始化的數組：

ones和zeros創建全是0或者全是1的數組：

我們可以傳入類型指定元素的類型

我們也可以通過現成的數組創建tensor：

這些創建函數都有對應的like方法，可以傳入一個已有的tensor，創建出一個和它一樣大小的新的tensor來。

這里只是列舉了常用的幾種，官方的api當中還有其他的幾種創建tensor的方式：

除此之外，tensor還支持從numpy的數組當中創建，我們可以利用from_numpy函數來實現：

同理，我們也可以通過numpy函數，從一個tensor得到numpy的數組：

還可以通過tolist方法將tensor轉化成Python的數組：

函數功能

Tensor(*sizes)基礎構造函數

tensor(data,)類似np.array的構造函數

ones(*sizes)全1Tensor

zeros(*sizes)全0Tensor

eye(*sizes)對角線為1，其他為0

arange(s,e,step)從s到e，步長為step

linspace(s,e,steps)從s到e，均勻切分成steps份

rand/randn(*sizes)均勻/標準分布

normal(mean,std)/uniform(from,to)正態分布/均勻分布

randperm(m)隨機排列

我們在創建tensor的時候不僅可以指定它們的類型，還可以指定它們存放的設備。比如是CPU還是GPU。當然前期我們暫時用不到這點，只需要記得即可。

總結這是Pytorch的第一篇文章，我們簡單了解了一下這個框架，以及它當中tensor這個數據結構。簡單來說，我們可以用常用的Numpy去類比它。基本上Numpy當中有的功能它都有，它還有一些自己特性Numpy沒有的api。但不管怎么說，萬變不離其宗，tensor的用處就是為了方便我們處理數據的。

關于Pytorch中tensor的用法還有很多，實在是沒有辦法在一篇文章當中窮盡，所以這里只是簡單介紹，具體的用法將會放在下一篇文章當中，讓我們下周再見吧。

以上內容為大家介紹了Pytorch入門之配置云服務器環境，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。