文章目录
- 1. 什么是PyTorch
- 2. PyTorch的安装与配置（无GPU）
- 2.1 创建环境
- 2.2 安装pytorch库（无GPU）
- 2.3 验证安装结果
1. 什么是PyTorch
PyTorch 是一种用于构建深度学习模型且功能完备的开源框架，通常用于处理图像识别和语言处理等应用当中的机器学习。PyTorch 保留了 Torch（Lua版）的许多核心思想和设计理念，可以被看作是 Torch 的继承或进化版。由于它用 Python 编写，因此学习和使用起来相对简单。
PyTorch 是 Facebook AI Research（FAIR） 和其他几个实验室开发者的工作成果。该框架将 Torch 中高效而灵活的 GPU 加速后端库与直观的 Python 前端相结合，能完全支持 GPU，其中使用的“反向模式自动微分”技术，使得 PyTorch 可以动态修改计算图形，成为快速实验和原型设计的常用选择。它于 2017 年 1 月在 Github 上开源。
PyTorch的主要特点：
- PyTorch.org 社区十分活跃，有大量优秀文档和教程；
- 采用 Python 编写，并集成了大量的热门 Python 库，对于开发者而言相对容易学习；
- 支持用于实验的“即时模式”，也支持用于高性能执行的“图形模式”；
- 支持 CPU、GPU、并行处理以及分布式训练；
- PyTorch 支持动态计算图形，能够在运行时更改网络行为，相比其他的静态计算具有更大的灵活性优势；
- PyTorch.Hub 是一个预训练模型库，具有极简的调用接口；
- 拥有从计算机视觉到增强学习等领域的大量工具和库。
2. PyTorch的安装与配置（无GPU）
在开始安装 PyTorch 之前，需要先确认是否满足以下条件：
- 操作系统要求：
- Windows 7 及更高版本；建议 Windows 10 及以上版本；
- Windows Server 2008 r2 及更高版本
- Python版本：目前 Windows 上的 PyTorch 仅支持 Python 3.8-3.11，不支持 Python 2.x
2.1 创建环境
深度学习项目通常依赖于多个第三方库和框架，且这些库中许多都有特定版本依赖关系和兼容性问题，因此，为了确保各项目的依赖包不会互相冲突，尽量地使用环境管理工具，将不同项目的环境隔离开。
这里我们用前文《安装conda并搭建python环境（入门教程）》提到的环境管理工具 Conda。依次运行如下命令创建名为 pytorch_env 的虚拟环境，安装的解释器为 Python=3.8，并激活该环境。
# 创建环境
conda create --name pytorch_env python=3.8
# 激活环境
conda activate pytorch_env
2.2 安装pytorch库（无GPU）
在 PyTorch 官网当中，可以根据自己本地的安装环境，配置相应的条件得到安装命令。这里我们选择的条件是：稳定版，Win系统，conda命令安装，Python语言，仅有CPU。
根据所选条件，生成安装命令 conda install pytorch torchvision torchaudio cpuonly -c pytorch。我们在已激活的 pytorch_env 环境下，输入上述命令运行即可。
Conda 在安装 PyTorch 时能自动安装该库所有的依赖项。在安装过程中会弹出是否继续运行（安装所列出的依赖项）的提示，输入 y 回车即可。
最后出现一个 done，说明安装完成。
2.3 验证安装结果
为了确保 PyTorch 已正确安装，我们可以通过运行 PyTorch 测试代码来验证。这里我们创建一个 test.py 文件，代码内容如下：
import torch
x = torch.rand(5, 3)
print(x)
在安装了 PyTorch 的 pytorch_env 环境下，执行 python test.py 以运行该测试文件。PyTorch 安装成功的话，输出应类似于下图：
如果安装的是 GPU 版本，还可以通过如下代码检查 GPU 驱动程序和 CUDA 是否已启用并可供 PyTorch 访问。由于本文我们介绍的是 CPU 版本的安装，因此无需验证下面代码。
import torch
torch.cuda.is_available()
尽管CPU版本的 Pytorch 在核心功能接口方面并没有与 GPU 版本有差异，但由于没有利用 GPU 的并行计算能力，在训练深度学习模型和处理大规模数据时性能会相对差很多。
