神经网络架构PYTORCH－初相识，3W

　　who?

　　Python是基于Torch的一种使用Python作为开发语言的开源机器学习库．主要是应用领域是在自然语言的处理和图像的识别上．它主要的开发者是Facebook人工智能研究院（FAIR）团队．在2017年１月，在Gihu上被开源了．开源之后，迅速占领了Github的热搜榜．并且凭借着它独特的优势，迅速的流行开来．

　　what?

　　这么多深度学习框架，为什么选择PyTorch呢？

因为PyTorch是当前难得的简洁优雅且高效快速的框架。当前开源的框架中，没有哪一个框架能够在灵活性、易用性、速度这三个方面有两个能同时超过PyTorch。在《深度学习框架PyTorch：入门与实践》这本书里，作者总结了PyTorch的优点。

　　简洁：PyTorch的设计追求最少的封装，尽量避免重复造轮子。不像TensorFlow中充斥着session、graph、operation、name_scope、variable、tensor、layer等全新的概念，PyTorch的设计遵循tensor→variable(autograd)→nn.Module 三个由低到高的抽象层次，分别代表高维数组（张量）、自动求导（变量）和神经网络（层/模块），而且这三个抽象之间联系紧密，可以同时进行修改和操作。

简洁的设计带来的另外一个好处就是代码易于理解。PyTorch的源码只有TensorFlow的十分之一左右，更少的抽象、更直观的设计使得PyTorch的源码十分易于阅读。在笔者眼里，PyTorch的源码甚至比许多框架的文档更容易理解。

　　速度：PyTorch的灵活性不以速度为代价，在许多评测中，PyTorch的速度表现胜过TensorFlow和Keras等框架 。框架的运行速度和程序员的编码水平有极大关系，但同样的算法，使用PyTorch实现的那个更有可能快过用其他框架实现的。

　　易用：PyTorch是所有的框架中面向对象设计的最优雅的一个。PyTorch的面向对象的接口设计来源于Torch，而Torch的接口设计以灵活易用而著称，Keras作者最初就是受Torch的启发才开发了Keras。PyTorch继承了Torch的衣钵，尤其是API的设计和模块的接口都与Torch高度一致。PyTorch的设计最符合人们的思维，它让用户尽可能地专注于实现自己的想法，即所思即所得，不需要考虑太多关于框架本身的束缚。

　　活跃的社区：PyTorch提供了完整的文档，循序渐进的指南，作者亲自维护的论坛 供用户交流和求教问题。Facebook 人工智能研究院对PyTorch提供了强力支持，作为当今排名前三的深度学习研究机构，FAIR的支持足以确保PyTorch获得持续的开发更新，不至于像许多由个人开发的框架那样昙花一现。

　　why ?

　　说了那么多？我为什么要去认识和学习它呢？仅仅是它牛逼吗？显然不是．工作了那么多年，对程序的热情已经远远不像上学的时候那样什么热们研究什么了．能够引起我兴趣的代码就只有两种了．一种是经典中的经典代码，比如,linux内核代码，Ｃ编译器的代码等．另外一种就是工作中能用得到的代码．比如，开源的音频和视频处理源码webrtc,opencv等．

细想下来，决定让我去深入的研究Pytorch的，以上两个原因都有了．基于此，今后一段时间，要好好花一些时间去研究它，分析它．

　　要达到什么境界呢？也就是研究到什么程度为止．给自己定个目标吧．三个阶段目标．

阶段一：　熟悉例和应用．走读相关代码，并写出总结文档．（两周时间）

阶段二：　走读核心的源码，并输出一些有价值的文档．　（一个月）

阶段三：　裁剪代码，基于Pytorch，做一个最精简的本地的语音识别系统和一个人形识别系统．（一个月）

　　每日一言：

　　骐骥一跃、不能十步、驽马十驾、功在不舍

参考文档：

１　https://en.wikipedia.org/wiki/PyTorch

２　https://blog.csdn.net/broadview2006/article/details/79147351