1.PyTorch vs TensorFlow

tensorflow是静态图，需要你把啥都准备好，然后它像个傻子一样执行，tensorflow，目前业界更适合部署，毕竟是静态图，infer的时候速度快。

pytorch，它会在执行的时候，跟你唠嗑，哪哪需要改不，哦，不改昂，那我执行了，pytorch更适合学术界，因为它更开发、调试更人性化。

（人工智能核心算法的底层还是由C/C++编写，python实际上实现API调用功能）

2.logit函数

该函数可以将输入范围在[0,1]之间的数值p映射到[−∞,∞][−∞,∞]

如果p=0.5，则函数值为0，p<0.5，则函数值为负值；如果p>0.5，则函数值为正值。

PyTorch（tensorflow类似）的损失函数中，有一个（类）损失函数名字中带了with_logits.。而这里的logits指的是，该损失函数已经内部自带了计算logit的操作，无需在传入给这个loss函数之前手动使用sigmoid/softmax将之前网络的输入映射到[0,1]之间。

不管是二分类，还是多分类问题，其实在计算损失函数的过程都经历了三个步骤：

（1）激活函数。通过激活函数sigmoid或者是softmax将输出值缩放到[0,1]之间；

（2）求对数。计算缩放之后的向量的对数值，即所谓的logy的值，求对数之后的值在[-infinite,0]之间；

（3）累加求和。根据损失函数的定义，将标签和输出值逐元素相乘再求和，最后再添加一个负号求相反数，得到一个正数损失。

不管什么样的实现方式，都会经历这三个步骤，不同的是，可能有的函数会将其中的一个或者是几个步骤封装在一起。

例如：

（1）BCELoss：需要先将最后一层经过sigmoid进行缩放然后再通过该函数；

（2）BCEWithLogitsLoss：BCEWithLogitsLoss就是把Sigmoid-BCELoss合成一步，不再需要在最后经过sigmoid进行缩放，直接对最后得到的logits进行处理。

注意：logits，指的是还没有经过sigmoid和softmax缩放的结果

补充：

三维tensor(C,H,W)，dim=0,1,2,-1(可理解为维度索引)，其中2与-1等价，相同效果：

当dim=0时， 是对每一维度相同位置的数值进行softmax运算，和为1

当dim=1时， 是对某一维度的列进行softmax运算，和为1

当dim=2时， 是对某一维度的行进行softmax运算，和为1

同样的，四维tensor(B,C,H,W)dim取值0,1,2,3,-1，三维tensor也可以看成是batchsize=1的四维tensor，只是dim的索引需要加1。