谷歌算法研究员：我为什么钟爱PyTorch？

1. 操作系统

这个是最好说明的，使用Ubuntu或是OS系统，在笔者看来Windows本身的设计逻辑使得它非常不适合进行希望得到快速反馈的行为。而Unix-base的模型可以对输入进行快速应答，而且Windows的注册表文件实在是非常反人类。考虑到Mac的高昂成本，那么笔者实际上是在推荐Ubuntu，win本下载vmware使用Ubuntu虚拟机即可，如有需要可在评论提出，会给出Ubuntu的相关安装和配置说明。

2. 深度学习框架

笔者接触过不少的深度学习框架，也就是说，放弃过很多框架。在工作中踩的坑，有些现在回想起来，依然没法解决。

最早使用的是Caffe，如果是有过一些工作经验的AI从业者，一定对这个名字记忆犹新，早期几乎所有的classic模型都是caffe-base的，而且它的可读性很好，在进行了一定的基础学习后，可以轻松理解模型。但是caffe最大的缺点在于，它的安装较其他的框架而言更加繁琐，配置起来很麻烦，甚至出现过公司里所有做object detection的实习生都要使用同一台服务器跑模型，因为他们自己的电脑上都有着各种各样的错误提示，而且mentor们也看不出来问题。

从使用的广度来看，谷歌公司给出的TensorFlow在这几年独占鳌头，它使用的静态图是一种很有趣的思路，我们知道，在进行一系列的运算时一定有办法可以将步骤和计算损耗进行简化。

现在我们手上有一个长度为n的向量，记为(x1,x2,...xn)(x_1, x_2, ...x_n)(x1​,x2​,...xn​)。现在在某个模型中需要对模型进行缩放之后的加和，巧合的是缩放系数是1n\frac{1}{n}n1​。那么如果需要对模型分别缩放再逐个求和，需要的计算次数是2n2n2n，而如果我们将其先求和再缩放，即∑xin=1n∑xi\sum \frac{x_i}{n}=\frac{1}{n}\sum x_i∑nxi​​=n1​∑xi​，计算次数变为n+1n+1n+1，减少了接近一半的计算量。在进行了这样的优化之后，需要对模型进行对应的变换，这在第一次运算时会损耗一定的时间，但是之后的每一次操作都会从中受益。当然这是个小学级别的例子，实际运用不会是这么简单的情况。
Keras本质上就是TensorFlow的一个高级封装，所以TensorFlow有的缺点它都有，但是封装保证了它的便捷性，只需要不多的几行就能完成模型的搭建，不过，灵活性较差，工业领域一般没人用这个。
那么，终于可以给出My Favorite了！

PyTorch是Python+Torch的结果，其中Torch和numpy十分类似，所以这也是data scientist转行AI的首选框架。它以Python为主，与TensorFlow相比，对于GPU的接口更加友好，实乃学习工作必备之良药。
相较于TensorFlow而言，PyTorch是一个动态的框架，不需要每次操作时使用相同的计算图，这也就使得

不过对于有一定基础的同学，只要在电脑上安装了anaconda，就可以直接通过

pip install torch

即可完成PyTorch的安装工作，除此之外FAIR的大学霸们还贴心的帮我们完成了很多经典模型的搭建，都存在torchvision库里了，通过

pip install torchvision

即可完成。深度学习很多时候都像是搭积木，通过torchvision可以快速将已有的模型作为模块添加到整体中。

如果使用OS系统进行具有CUDA支持的PyTorch安装，则需要如下指令：

export CMAKE_PREFIX_PATH=[anaconda root directory]
conda install numpy pyyaml mkl mkl-include setuptools cmake cffi typing

接下来进行源码安装

git clone --recursive https://github.com/pytorch/pytorch
cd pytorch
MACOSX_DEPLOYMENT_TARGET=10.9 CC=clang CXX=clang++ python setup.py install

接下来就尽情享受PyTorch的快乐吧！！

最近有很多的老铁跟我说：什么时候分享人工智能的TensorFlow框架深度学习、CNN卷积神经网络、解析几何、线性代数等等技术点的文章。

这方面的学习资料我倒是整理出来了，但是发文章，我想说老铁们我这要发到猴年马月呀！每个人的 “口味” 都不一样。

最后我给大家创建一个能够领取这些知识点的公众号！！

前一百个名额可以免费领取！！！先到先得。。。