大家知道，深度学习的发展和推进，在某种程度上也是一场框架的争夺战，其中 Google 发布的 TensorFlow 和 Facebook 主力支持的 PyTorch 是最耀眼的两颗明星。我们今天就来看看其中一位明星 PyTorch，看看它为何值得学。
简单介绍
PyTorch 强调从研究到生产
来源：https://pytorch.org
根据官网介绍，PyTorch 是一个开源的深度学习平台，提供从研究原型到生产部署的无缝路径（An open source deep learning platform that provides a seamless path from research prototyping to production deployment）。
PyTorch 的流行度仅次于 TensorFlow。而最近一年，在 GitHub 关注度和贡献者的增长方面，PyTorch 跟 TensorFlow 基本持平。甚至，PyTorch 的搜索热度持续上涨，加上 FastAI 的加持，PyTorch 无疑会得到越来越多的机器学习从业者的青睐。
流行度虽然可以说明问题，但是，你一定要知道更多，才能明白 PyTorch 为什么值得学，你在什么情况下需要学习 PyTorch 。
PyTorch 关键发展节点
2017 年 1 月，Facebook AI 研究团队发布 PyTorch，一个基于 Torch 的 Python 工具包，专门用于 GPU 加速的深度学习编程。
2017 年 8 月，PyTorch V 0.2.0 发布，引入广播、高级索引、高阶梯度、新图层，以及分布式训练等，前两者进一步方便了 Tensor 与 Numpy 互转。
2018 年 4 月，Caffe2 代码合并到 PyTorch。Facebook 打算将 PyTorch 的研究特性与 Caffe2 的生产特性更好地结合起来。
2018 年 4 月，PyTorch V 0.4.0 发布，新特性包括 Tensor 和 Variable 合并，强化 Numpy 风格的 Tensor 构建等，并正式支持 Windows 系统。
2018 年 10 月，PyTorch V 1.0.0 发布，融合 PyTorch 自身灵活性、研究优势与 Caffe2 的后端与应用能力、ONNX 的框架转换能力于一体；同时 FastAI V1.0 发布，可用单一 API 玩转常见深度学习应用，大大降低了深度学习的学习门槛。
2019 年 5 月，PyTorch V 1.1 发布，提供了新的 API，原生支持 TensorBoard 和自定义循环神经网络，并提升了性能。
PyTorch 刚走过了 2 年 4 个月的时间，发展相当迅速。
PyTorch 当前稳定版及相关配置
来源：https://pytorch.org/
受欢迎程度
Jeff Hale 4 月份在 Medium 上发表了一篇文章，比较了 TensorFlow、PyTorch、keras 和 FastAI 的流行度，全面涵盖职位需求、使用、学术研究和兴趣等维度。Jeff 根据多个招聘网站在线职位搜索、Google Trends、GitHub 活跃度、Arxiv 文章数、Medium 文章数、Quora 相关问题关注人数统计计算出了一个综合的增长分数。我们这里引用一下最终结果图片：
深度学习框架半年增长分数
（2018 年 10 月－2019 年 3 月）
可以看到 TensorFlow 稳居第一，而 PyTorch 表现也非常抢眼，未来的需求和发展非常值得期待。
PyTorch 核心优势：动态计算图
PyTorch 是一款强大的动态计算图模式的深度学习框架。大部分框架是静态计算图模式，其应用模型在运行之前就已经确定了，而 PyTorch 支持在运行过程中根据运行参数动态改变应用模型。可以简单理解为：一种是先定义后使用，另一种是边使用边定义。动态计算图模式是 PyTorch 的天然优势之一，Google 今年 3 月份发布的 TensorFlow 2.0 Alpha 版本中的 Eager Execution，被认为是在动态计算图模式上追赶 PyTorch 的举措。
静态计算图模式框架在执行计算图之前需要先声明和编译。 虽然在实际生产中这种实现比较高效，但在研究和开发中非常繁琐。以 PyTorch 为代表的动态计算图框架则无需在每次执行之前编译模型。在建模 NLP 任务时，每个输入都可能导致不同的图结构，因此动态图就绝对占优了——这也是 PyTorch 在处理很多问题上（尤其是 RNN 相关问题）更高效的原因。
此外，动态图机制在调试方面非常方便，基本上，如果计算图运行出错，就可以在堆栈跟踪定义图的代码行。有人形容调试 PyTorch 就跟调试 Python 一样，通过断点检查就可以高效解决问题。
PyTorch 更多优势
· 无缝接入 Python 生态圈，张量、变量与 Numpy 互转
· 在张量之上封装变量，方便构建神经网络
· 强大的后端功能
· 命令式编程风格
· 扩展性极好
· 广泛应用于 NLP 之外的多种深度学习应用
· 富有活力的社区和背后大厂 Facebook 支持
· ......
深入了解与使用 PyTorch
如果你想深入细致了解使用 PyTorch 快速高效地构建深度学习模型，那么——
资深数据科学家Rich Ott在O’Reilly主办的AI Conference 2019 北京站上主讲的「PyTorch 深度学习」课程值得学习，学习时间为期两天，具体为 6 月 18 日 ~ 6 月 19 日。
有志于将来投身人工智能领域的 Python 开发者、Python 数据分析师，以及想进一步深入理解 PyTorch 的机器学习工程师、算法工程师，不要错过这次与国外资深专业人士一起学习的机会。
导师：Richard Ott
The Data Incubator 数据科学家，热爱数据科学，并致力于数据知识的传播与教学。曾在 Verizon 担任数据科学家和软件工程师。麻省理工学院粒子物理学博士，加州大学戴维斯分校博士后。
学习内容
· 学习 PyTorch 张量和自动求导包
· 多种PyTorch深度学习模型架构
· 使用真实数据集构建和训练深度神经网络
前置知识
· 基本的 Python 知识
· 简单的矩阵和线性代数知识
· 建模和机器学习基础
· 神经网络基础
课程大纲
6 月 18 日
· PyTorch 张量
· 自动求导包
· 神经网络
· 多层感知机
6 月 19 日
· 神经网络架构
· 卷积神经网络
· 自动编码器
参考资料
Natural Language Processing with PyTorch: Build Intelligent Language Applications Using Deep Learning
https://towardsdatascience.com/which-deep-learning-framework-is-growing-fastest-3f77f14aa318
https://www.ibm.com/developerworks/cn/cognitive/library/cc-get-started-pytorch/index.html
https://venturebeat.com/2019/05/01/facebook-launches-pytorch-1-1-with-tensorboard-support/
抢票参会：
本届AI Conference 2019北京站门票正在热卖中，培训课席位有限，机不可失。搜索AI大会或人工智能大会，进入官网查看详情。
