谁适合阅读本教程？

只要您具备编程的基础知识，您就可以阅读本教程，学习 PyTorch 适合对深度学习和机器学习感兴趣的人，包括数据科学家、工程师、研究人员和学生。

阅读本教程前，您需要了解的知识：

在您开始阅读本教程之前，您必须具备的基础知识包括 Python 编程、基础数学（线性代数、概率论、微积分）、机器学习的基本概念、神经网络知识，以及一定的英语阅读能力来查阅文档和资料。

• 编程基础：熟悉至少一种编程语言，尤其是 Python，因为 PyTorch 主要是用 Python 编写的。
• 数学基础：了解线性代数、概率论和统计学、微积分等基础数学知识，这些是理解和实现机器学习算法的基石。
• 机器学习基础：了解机器学习的基本概念，如监督学习、无监督学习、强化学习、模型评估指标（准确率、召回率、F1分数等）。
• 深度学习基础：熟悉神经网络的基本概念，包括前馈神经网络、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。
• 计算机视觉和自然语言处理基础：如果你打算在这些领域应用 PyTorch，了解相关的背景知识会很有帮助。
• Linux/Unix 基础：虽然不是必需的，但了解 Linux/Unix 操作系统的基础知识可以帮助你更有效地使用命令行工具和脚本，特别是在数据预处理和模型训练中。
• 英语阅读能力：由于许多文档、教程和社区讨论都是用英语进行的，具备一定的英语阅读能力将有助于你更好地学习和解决问题。

实例

下面的是 PyTorch 中一些基本的张量操作：如何创建随机张量、进行逐元素运算、访问特定元素以及计算总和和最大值。

创建张量：

• torch.randn(2, 3) 创建一个 2 行 3 列的张量，填充随机数（遵循正态分布）。
• device=device 和 dtype=dtype 分别指定了计算设备（CPU 或 GPU）和数据类型（浮点型）。

张量操作：

• a * b：逐元素相乘。
• a.sum()：计算张量 a 所有元素的和。
• a[1, 2]：访问张量 a 第 2 行第 3 列的元素（注意索引从 0 开始）。
• a.max()：获取张量 a 中的最大值。
• 输出：（每次运行时值会有所不同）

张量 a:
tensor([[-0.1460, -0.3490,  0.3705],
        [-1.1141,  0.7661,  1.0823]])

张量 b:
tensor([[ 0.6901, -0.9663,  0.3634],
        [-0.6538, -0.3728, -1.1323]])

a 和 b 的逐元素乘积:
tensor([[-0.1007,  0.3372,  0.1346],
        [ 0.7284, -0.2856, -1.2256]])

张量 a 所有元素的总和:
tensor(0.6097)

张量 a 第 2 行第 3 列的元素:
tensor(1.0823)

张量 a 中的最大值:
tensor(1.0823)

参考链接

• PyTorch 官网 ：https://pytorch.org/
• PyTorch 官方入门教程：https://pytorch.org/get-started/locally/
• PyTorch 官方文档：https://pytorch.org/docs/stable/index.html
• PyTorch 源代码：https://github.com/pytorch/pytorch