为什么学习 PyTorch

深度学习框架的重要性

在正式学习PyTorch之前，让我们先理解一个根本性的问题：为什么要学习深度学习框架？

想象一下，如果让你从零开始写一个程序来识别图片中的猫，你需要做什么？

首先，你需要理解猫的特征：耳朵的形状、眼睛的大小、毛发的纹理...然后你需要用数学公式来描述这些特征。当你想要优化这个系统时，你需要计算梯度来调整参数。这整个过程极其复杂且耗时。

而深度学习框架正是为了解决这个问题而诞生的。它帮我们封装好了：

• 高效的数值计算（矩阵运算、梯度计算等）
• 自动求导机制（自动计算复杂函数的梯度）
• GPU加速（利用显卡并行计算，大幅提升速度）
• 现成的神经网络组件（卷积层、循环层、注意力机制等）

有了框架，我们就可以像搭积木一样构建自己的神经网络，把精力集中在模型设计和数据处理上，而不是底层实现。

为什么选择PyTorch？

PyTorch是由Facebook（现Meta）的AI研究团队开发的深度学习框架。在2017年推出后，它迅速成为学术研究领域的首选框架。

PyTorch的核心特点：

1. 动态计算图（Dynamic Computation Graph）

   • 什么是计算图？简单来说，它是用来记录我们执行了哪些操作的"账本"
   • 动态图的特点是：每次运行代码时，计算图都会重新构建
   • 这让调试变得非常直观——你可以像调试普通Python代码一样调试PyTorch代码
   • 想象一下：你在写一段代码，中途想print一个变量的值看看对不对，这在PyTorch中完全没问题！

2. Python优先的设计理念

   • PyTorch的API设计非常Pythonic（符合Python的风格）
   • 如果你熟悉Python，学PyTorch会感觉非常自然
   • 不需要学习额外的"框架特定语言"

3. GPU加速

   • 深度学习涉及大量的矩阵运算
   • GPU（显卡）特别擅长并行处理这类运算
   • 使用GPU可以让训练速度提升10倍甚至100倍
   • 举例：CPU训练一个模型需要几天，GPU可能只需要几小时

4. 自动微分（Automatic Differentiation）

   • 这是深度学习框架最核心的功能
   • 想象一下：你写了一个很复杂的神经网络（可能几百层）
   • 如果让你手动计算梯度...这简直是不可能的任务
   • 自动微分让我们只需要定义前向传播，框架会自动处理反向传播和梯度计算

张量：PyTorch的核心数据结构

PyTorch的核心数据结构是张量（Tensor）。听起来很高大上，其实它就是我们熟悉的多维数组的学术说法：

• 0维张量：一个标量（数字），比如 5
• 1维张量：一个向量，比如 [1, 2, 3, 4, 5]
• 2维张量：一个矩阵，比如 [[1,2,3], [4,5,6]]
• 3维张量：可以想象成一叠照片（比如RGB图像）
• 更高维：可以想象成视频（3D+时间维度）

张量类似于NumPy的ndarray，但它额外支持：

• GPU加速：可以在GPU上存储和计算
• 自动求导：可以追踪梯度

本笔记的学习路线

本笔记是整个深度学习笔记系列的基础篇，目标是：

第一章：掌握PyTorch的核心数据结构——张量（Tensor）的创建与基本操作

• 学会用 torch.tensor、torch.randn、torch.zeros 等函数创建张量
• 理解标量、向量、矩阵与高维张量的关系
• 掌握 torch.arange、torch.linspace 等序列创建函数

第二章：理解张量的属性

• 掌握 shape、dtype、device 三大核心属性
• 学会在不同设备（CPU/GPU）之间迁移张量

第三章：掌握张量的操作与变换

• 矩阵乘法（@、torch.matmul）
• 形状变换（reshape、view、squeeze、unsqueeze）
• 张量合并（cat、stack）与数值提取（item、numpy）

第四章：理解自动求导机制

• 这是 PyTorch 最强大的特性
• 掌握 requires_grad、backward、zero_grad、no_grad
• 理解计算图与梯度下降的联系

第五章：掌握神经网络的基础模块

• 线性层（nn.Linear）、激活函数、损失函数、优化器
• 学会用 nn.Module 和 nn.Sequential 构建完整的神经网络

前置知识：本笔记假设你已经有Python基础，会写循环、条件语句、函数等。如果你还不太熟悉Python，建议先学习Python基础课程。另外，了解一点线性代数（知道什么是矩阵、向量）会有帮助，但不是必须的——我们会在需要时解释相关概念。