我们已经理解了神经网络是如何诞生的，也了解了怎样的算法才是一个优秀的算法，现在我们需要借助深度学习框架（Deep learning framework）来帮助我们实现神经网络算法。在本门课程中，我们所使用的深度学习框架是PyTorch，也就是Torch库的Python版本。之前我们已经仔细地介绍了PyTorch中的基本数据结构Tensor以及自动求梯度工具autograd，相信你已经对PyTorch有了一定的了解。在今天的课程中，我们将更深入地理解PyTorch库的构成以及PyTorch框架的设计理念，为之后熟练使用PyTorch打下基础。
1 PyTorch的优势
对于已经选择了这门课的你，应该早就把PyTorch的优势烂熟于心了。就如同每一个学习Python的人在Python课程的第一堂课会听到的内容一样，无数的资料、课程都在说着相似的话：PyTorch简单易用、上手容易、语法清晰……这些虽然是事实，但却无法加深你对PyTorch或深度学习的理解。在这一节，我们将从深度学习模型的判别框架来看待，为什么PyTorch是一个优秀的深度学习框架。
我们在上一节中说过，一个好的深度学习模型，应该是预测结果优秀、计算速度超快、并且能够服务于业务（即实际生产环境）的。巧合的是，PyTorch框架正是基于这样目标建立的。
一个神经网络算法的结果如何才能优秀呢？如果在机器学习中，我们是通过模型选择、调整参数、特征工程等事项来提升算法的效果，那在神经网络中，我们能够做的其实只有两件事：
1）加大数据规模
2）调整神经网络的架构，也就是调整网络上的神经元个数、网络的层数、信息在网络之间传递的方式。
对于第一点，PyTorch的优势是毫无疑问的。PyTorch由Facebook AI研究实验室研发。在2019年，FB每天都需要支持400万亿次深度学习算法预测，并且这个数据还在持续上涨，因此PyTorch天生被设计成非常适合进行巨量数据运算，并且可以支持分布式计算、还可以无缝衔接到NVIDIA的GPU上来运行。除此之外，PyTorch的运行方式有意被设计成更快速、更稳定的方式，这使得它运行效率非常高、速度很快，这一点你在使用PyTorch进行编程的时候就能够感受到。为高速运行巨量数据下的神经网络而生，PyTorch即保证了神经网络结果优秀，又权衡了计算速度。
而第二点，则是深度学习整个学科的灵魂操作。我们耳熟能详的RNN、CNN、LSTM等算法，其实都是在原始神经网络上进行了神经元、链接、或信息传递方式的改变而诞生的。因此，一个优秀的深度学习框架，必须具备非常高的灵活性和可调试性，才有可能不断推进深度学习算法的研究。（同时，一个优秀的深度学习算法工程师，必须具备灵活调用任何可用网络结构的能力，才可能搭建出适应实际工业场景的神经网络）。幸运的是，PyTorch框架的创始团队在建立PyTorch时的目标，就是建立最灵活的框架来表达深度学习算法，这为PyTorch能够最大程度释放神经网络算法的潜力、放大深度学习的本质优势、实现更好的算法效果提供了基础。
同时，为了能够让算法调试变得更加容易，PyTorch在设计之初就支持eager model（类似于在jupyternotebook的运行方式，可以每写几行代码就运行，并且返回相应的结果，通常在研究原型时使用），而tensorflow等框架在最初是不支持eager model，只支持graph-based model（一次性写完全部的代码，编译后上传服务器进行全部运行，这种类型的代码更加适合部署到生产环境中）。现在的PyTorch使用JIT编辑器，使得代码能够在eager和graph model之间自由转换，tensorflow也在1.7版本之后补充了这个功能。
最难得的是，PyTorchAPI简化程度很高，代码确实简单易懂。在编程的世界里，封装越底层就越灵活（如C++就比Python更加灵活），但越底层的框架往往就越复杂，需要的代码量也越多。PyTorch建设团队在构筑PyTorch项目时，一直遵守“简单胜于复杂”的原则。为了让PyTorch尽量简单，他们参考了大量NumPy以及Python的基本语法，让PyTorch可以无缝衔接到Python中，在保留灵活性的同时，最高程度地简化了API，继承了Python的大部分语法风格。对于熟练使用Python的人来说，使用PyTorch库通常轻而易举。
除此之外，PyTorch十分重视从研发算法到工业应用的过程。在PyTorch的官网头图上，甚至能够直接看到from research to production（从研发到生产）的字样。他们甚至完整地定义了算法部署到实际环境中需要达到的数个要求，并在2019年QCon会议的演讲中详细地说明了PyTorch团队是如何围绕”从研发到生产“这个目标设计了PyTorch的部署模块JIT。
总结一下， PyTorch的优势可以概括为以下几点：
- 天生支持巨量数据和巨大神经网络的高速运算
- 灵活性高，足以释放神经网络的潜力，并且在保留灵活性的同时，又有Python语法简单易学的优势
- 支持研究环境与生产环境无缝切换，调试成本很低
作为深度学习框架，PyTorch可以说具备几乎所有产出优质深度学习算法的条件。现在，PyTorch社区及围绕PyTorch的生态还在建设中，这可以说是它唯一的弱势了。作为一门深度学习入门课程，我们非常推荐你选择PyTorch作为你的第一个深度学习框架。但它是否会成为你的最后一个深度学习框架，将交由学完课程的你来决定。
2 PyTorch库的基本架构
虽然PyTorch库在建设时拥有许多先进的理念，但在库的规划整理这一点上，它却与大部分编程库一样，显得有些潦草。任何编程库都不是在一个完美的企划下被设计出来的，而是在实际应用中不断被探索出来的，这就导致大部分编程库的体系是混乱的——即初学者完全不知道应该从哪里开始学习，典型的代表就是matplotlib， NumPy这些明明很有用，但是官网写得不知所云的库。
PyTorch官网在深度学习领域常常受到赞扬，许多人认为PyTorch官网写得简单明了，容易上手。但如果是学过sklearn课堂的小伙伴，就会知道sklearn官网是多么规范、多么易学：
再看看PyTorch官网这令人窒息的，按字母表顺序排列的类的列表：
文档写得好？其实全是同行的衬托，反正比tf写得好一点点。
在开始学习PyTorch之前，我们对PyTorch的核心模块进行了梳理。现在PyTorch中的模块主要分为两大类：原生Torch库下，用于构建灵活神经网络的模块，以及成熟AI领域中，用以辅助具体行业应用的模块。
两大模块的层次是并列的，当我们导入库的时候，我们是这样做：
import torch
import torchvision实际上在我们对PyTorch进行安装的时候，我们也是同时安装了torch和torchvision等模块。 当我们需要优化算法时，我们运行的是：
from torch import optim看出库的层次区别了吗？在我们课程的前几周，我们会集中在Torch模块中，帮助大家熟悉PyTorch的基本操作，并培养从0建立起自定义神经网络的能力。在课程后续的篇章中，我们将会涉入成熟AI领域的许多库中，对成熟算法和先进的神经网络架构进行讲解。为了构建强大的神经网络，我们会交叉使用两个模块的内容。在我们学习的过程中，我们或许会用到不在这两张架构图上的库，后续我们会继续补充和修缮这两张架构图。
了解了这么多内容后，你终于可以开始学习神经网络了。PyTorch代码虽然简单，但运行一行简单的代码却需要丰富的基础知识。从下一节课开始我们从0学习神经网络，并逐渐让你掌握PyTorch中的代码。