第3章　PyTorch学习路径与主要功能

3-1　PyTorch学习路径

梯度下降法是神经网络主要求解的方法，计算过程需要大量使用张量(Tensor)运算，另外，在反向传导的过程中，则要进行偏微分，计算梯度，求解多层结构的神经网络。因此，大多数的深度学习框架至少要具备下列功能：

（1）张量运算：包括各种向量、矩阵运算。

（2）自动微分(Auto Differentiation)：通过偏微分计算梯度。

（3）各种神经层(Layers)及神经网络(Neural Network)模型构建。

所以学习的路径可以从简单的张量运算开始，再逐渐熟悉高阶的神经层函数，以奠定扎实的基础。

图3.1　PyTorch学习路径

掌握了PyTorch的核心之后，再外扩至支持工具(TensorBoard)、移动装置(Mobile)、部署工具(TorchServe)、TorchScript、效能提升工具(Profiler)、平行及分布式处理等。

图3.2　PyTorch其他工具与扩充模块