如何高效入門 PyTorch ？深度學習框架是PyTorch還是TensorFlow？

PyTorch 入門，著實入了不少坑，咱們來談談，如何選個合適的教程，避開它們，

一、Tensorflow VS PyTorch

在這之前，有一個問題肯定困惑大家很久了，2021 年了，TensorFlow 和 PyTorch 兩個深度學習框架學哪個好呢

?沒有水晶球，我也不知道誰會最終勝出，從現狀來看，PyTorch 的發展勢頭非常迅猛，在深度學習的頂會上，相關論文增速大幅超越 Tensorflow ，

在機器學習頂會 NeurIPS 2019 上，PyTorch 更是被單獨拿出來討論，

底下的聽眾，是這樣的，

而另一邊，Google 的 Tensorflow 2.X 版本，在 Reddit 上正被吐槽和圍觀，

如果你是個應用機器學習前沿技術的研究者，卻還對 PyTorch 的存在熟視無睹，恐怕不是一個明智的選擇，

你該依賴的，是深度學習研發領域的生態系統，具體的原理，我在《學 Python ，能提升你的競爭力嗎？》和《資料科學入門后，該做什么？》兩篇文章里，已經給你詳細闡釋過了，

簡單來說，別人都用來溝通和協作的東西，你一竅不通，那就沒法愉快參與協作了，深度嵌入到系統的協作能力，才是你贏得競爭的秘密武器，

例如，有人把 Google 的 BERT 從 Tensorflow 遷移到 PyTorch 后，就迅速開拓了一個評價高達 18.4K 顆星的專案，該專案受到學術界、工業界，乃至整個兒開發圈子的熱情追捧，

為什么？因為在 PyTorch 模型的基礎上進行修改，非常方便，一切都是那么自然和透明，這吸引了許多研究者參與進來，一步一個腳印，利用別人做出來的東西，更進一步攀爬，如果你做研究用到機器學習，需要站在前人的肩膀上，那 PyTorch 已經成為了你爬上別人肩膀的重要階梯，可當你信心滿滿，開始認真學習 PyTorch 時，多半會……掉在前方的陷坑里，想想看，為什么網上為初學者展示深度學習“多么簡單”的文章，舉的例子除了 Keras 就是 fast.ai ，而不是 PyTorch ？因為 PyTorch 學起來，確實沒有它們那樣簡便，

二、你要學習 PyTorch ，會遇到哪些問題？

太多了，篇幅所限，咱們只講其中最大的兩個坑，首先是面向物件（Object-Oriented Programming, OOP）；PyTorch 的代碼，當然也可以寫成 Keras 那種序列化形式，

然而對于大部分的 PyTorch 用戶的應用場景來說，寫成那樣，是沒有什么意義的，因為他們中的主體，是研究者，研究者不會滿足于現有結果或者重復已知模型，他們要搭建自己的模型結構，嘗試做自己的實驗，如果你要深度定制自己的模型架構，甚至對于一些細節作出精妙的修改（例如對不同模型層次，使用不同學習速率），那 PyTorch 寫出來，就會像是這個樣子，

到 class 這樣的陌生關鍵詞，你可能會覺得有些發懵——用 Python 有段時間了，沒見過這玩意兒啊，

Python 說簡單很簡單，因為它可以被當成腳本語言來使用，也就是用順序、回圈和判斷組織起來，類似英文的操作說明，

然而，說復雜，它也可以變得非常復雜，因為它完全可以被當成面向物件語言來用，許多標題里帶著“入門”字樣的 PyTorch 教材或者課程，往往會直接假設你已經掌握了面向物件編程的基礎知識，一帶而過，或者干脆告訴你，先去學習一下 OOP ，然后再回來繼續學，

于是，你打開一本講授面向物件編程的書，旋即被其中的“抽象”、“繼承”、“封裝”、“多型”等術語繞暈，輕松完成“從入門到放棄”，

其實，你根本用不著完全掌握 面向物件程式設計的各種要素，就可以學 PyTorch ，早有 William Falcon 等人把 PyTorch 的程式寫法大卸八塊，給了你模板，真正用的時候，你只需對著模板填空就好，

可是，一些必要的面向物件知識，還是得學，不然填空你都不知道該填的位置，容易張冠李戴，說完了“面向物件”，咱們再說第二個坑，也就是“張量”（Tensor），

PyTorch 讓許多研究者用戶大呼過癮的奧秘，其實就在于“張量”，因為高階 API，例如 Keras, 甚至是 fast.ai ，都對張量進行了重度包裹，用戶不需要理解什么是張量，也可以做圖片分類，也可以分析文本的情感，

但是，PyTorch 不想慣你這種毛病，想用它來搭建神經網路？你就必須直面張量，

你必須能夠說清楚每一層輸入和輸出張量的樣子，你必須知道怎么把你的原始資料，轉換成這種樣子，這種負擔，看似會惹畝訓者嚇走用戶，然而我們看問題不能只看一面，它的好處在于，代碼書寫規則，一下子變得簡潔和一致，因為你早已一桿子到底，知道在 PyTorch 深度學習模型構建中，最本質的操作究竟是什么，你不需要別人每次都為你提供高層 API 包裹的拐棍，你可以隨時知道怎么完成各種操作，例如怎樣修改設定細節，遇到意想不到的問題，也能了解如何高效查錯，可是要理解張量，并不像 Pandas 資料框那么簡單而直觀，

你會看到不少 PyTorch 的書籍和教程，都干脆指引你去學會 numpy ，然后告訴你，PyTorch 可以近似看成 numpy 的一個輕量包裹，作者其實，是在寄希望于你能自學好一大塊知識結構，并且還可以觸類旁通，

你怎么通？從頭學 numpy ？還是更進一步，把線性代數也學一遍？這樣做，聽起來沒有問題，打牢基礎是好事兒嘛，但是，你可能真的等不及，你可能是想要復現一篇論文里的結果，并且進行調整改進，等你耐下性子，東一榔頭西一棒子，學完了剛才說過的好幾門基礎課，別人的論文早就發出來了，大多數時候，科學界只獎勵先到者，第二名不會有任何的功勞（credit），況且，如果能這樣學完，你至少還掌握了一項技能，更大的可能，是你在自學相關知識體系的途中跌倒了，再也沒有爬起來，

三、為什么 PyTorch 初學者，會遭遇這些困境？

因為現有的教程，大多與你不匹配，甚至就連 PyTorch 的預期用戶，也和你不匹配，

PyTorch 的設計，顯然不是為了完全不懂編程的普通用戶，按照作者原先的預想，只有學過了線性代數、科學計算、資料結構和面向物件程式設計的專業人士，才是它的核心用戶群體，然而，深度學習的突破進展，像一個黑洞，吸引力例外強大，它把許多從來沒有學過編程的人，都裹挾了進來，在機器學習日新月異的進展下，太多領域存在著低垂的果實，只要你學會了應用現有深度學習工具，稍加改進就可以采摘到它們，這種傭訓，你能抵擋嗎？對這個突然冒出來的人群，現有的教材和教程，很難做出足夠快速和必要的調整，所以你學起來，會很吃力，那么，作為一個非計算機類專業出身的研究者，你需要什么樣的教程呢？

它應該至少有以下兩個特點：

• 一站式
• 樣例導向

所謂一站式，就是別只顧給出鏈接和線索，讓讀者東奔西走，甚至還得自己尋找相關的學習資源，遇到某個知識點，例如面向物件，或者張量，試圖從頭到尾完整學習體系知識，顯然效率不高，做深度學習需要用到的，就該認真掰開揉碎講清楚；暫時用不到的，就根本先不要提，免得讓學習者被一下子涌來的資訊淹沒掉，

所謂樣例導向，就是能有實際的例子，讓學習者跟著作者講解的行程，輕松上手操作實踐，有些知識點，只要上手了，練過，犯過錯，你立即就能明白其中的關竅，你從而迅速掌握，并且建立寶貴的成就感，反之，如果只是給你憑空灌輸一系列的概念，或許能讓你聽著好像懂得了，可真正要用的時候，你立即就會感受到什么叫“書到用時方恨少”，

滿足上述兩個必要條件的合適教程，有嗎？

四、PyTorch教程好找嗎

要滿足上述兩點，教程的撰寫者就需要長期的技能培養和打磨，技能不僅包括對于 PyTorch 本身的深入理解和掌握，還得充分理解初學者的需求，知道如何把握講授的進度和節奏，這還不夠，作者還得尋找合適的樣例，用形象化的方式表述抽象概念，甚至是用動態的效果展示張量操作與權重變化……這些，都需要耗費大量寶貴的時間，

大部分機器學習領域的教材和教程，在撰寫的時候，都有嚴格的時間進度限制，這個領域，一直是高強度競爭性，大家生怕自己的東西發布晚了，別人搶占先機，所以很難有足夠的耐心，東西做到60分，能有一定合適的閱讀學習群體，那還不趕緊發布？等什么？

另外，擁有這種技能的作者，往往機會成本非常高，能夠全心全意投入教學，而不選擇拿著自己高超的深度學習應用技能出去賺快錢，也非易事，我最開始學 PyTorch 時，嘗試了若干主流 MOOC 平臺，還見識了不少網紅教師的教程，可惜，不僅學得效率低，程序也很痛苦，

后來，我終于找到一套視頻課程，真的可以滿足上述兩點要求，譬如說，它將張量和面向物件知識的介紹，包含在了課程里面，作者用淺明易懂的例子，讓你了解必要概念和技能后，迅速上手，

https://www.bilibili.com/video/BV1ty4y1g7TB?from=search&seid=14435481138624772333

想要資料可以進裙：361121142 免費領取相關課程資料~

小結

這篇文章里，咱們談到了以下知識點，我幫你梳理一下，

• PyTorch 在科研領域作用日益重要，你如果做深度學習科研，恐怕是不得不學習它；
• PyTorch 包含了一些面向物件、張量操作等前導知識要求，初學者會有不小的學習障礙，所以選擇好的教程很重要；
• 在良莠不齊的 PyTorch 教程中，我把自己已發現的最精良一個視頻教程推薦給你，希望它也能幫你快速上手 PyTorch，助你早日做出自己的優秀研究成果，論文發表了，別忘請我喝杯咖啡，

祝深度學習愉快！