你可能已經在社交媒體上看到過N次關于PyTorch和TensorFlow的兩極分化的爭論。這些框架的普及推動了近年來深度學習的興起。二者都不乏堅定的支持者，但在過去的一年里，一個明顯的贏家已經開始出現。

PyTorch是2018年最流行的框架之一。它已迅速成為學術界和工業界研究人員的首選深度學習框架。在過去幾周使用了PyTorch之后，我體會到它是一個非常靈活且易于使用的深度學習庫。

在本文中，我們將探討PyTorch的全部內容。我們將不止學習理論-還包括編寫4個不同的用例，看看PyTorch的表現如何。建立深度學習模型從來沒有這么有趣過！

注：本文假設你對深度學習概念已經有了基本的理解。如果沒有，我建議閱讀下文。

內容

什么是PyTorch?

利用PyTorch構建神經網絡

用例1：手寫數字分類(數字數據，MLP)

用例2：物體圖像分類(圖像數據，CNN)

用例3：情感文本分類(文本數據，RNN)

用例4：圖像樣式的遷移(遷移學習)

什么是PyTorch？

在深入研究PyTorch的實現之前，讓我們先了解一下PyTorch是什么，以及為什么它最近會變得如此流行。

PyTorch是一個基于Python的科學計算包，類似于NumPy，它具備GPU附加功能。與此同時，它也是一個深度學習框架，為實現和構建深層神經網絡體系結構提供了最大程度的靈活性和速度。

最近發布的PyTorch 1.0幫助研究人員應對以下四大挑戰：

大面積的返工

耗時的訓練

Python語言缺乏靈活性

慢速擴展

從本質上講，PyTorch與其他深度學習框架有兩個不同點：

命令式編程

動態計算圖

命令式編程：PyTorch在遍歷每一行代碼的同時執行計算，這與Python程序的執行方式非常類似，這一概念稱為命令式編程，它的最大優點是可以動態地調試代碼和編程邏輯。

動態計算圖：PyTorch被稱為“由運行定義的”框架，這意味著計算圖結構(神經網絡體系結構)是在運行時生成的。該屬性的主要優點是：它提供了一個靈活的編程運行時接口，通過連接操作來方便系統的構建和修改。在PyTorch中，每個前向通路處定義一個新的計算圖，這與使用靜態圖的TensorFlow形成了鮮明的對比。

PyTorch1.0附帶了一個名為torch.jit的重要特性，它是一個高級編譯器，允許用戶分離模型和代碼。此外，它還支持在定制硬件(如GPU或TPU)上進行有效的模型優化。

用PyTorch構建神經網絡

讓我們通過一個實際案例來理解PyTorch。學習理論固然好，但是如果你不把它付諸實踐的話，它就沒有多大用處了！

神經網絡的PyTorch實現看起來與NumPy實現完全一樣。本節的目標是展示PyTorch和NumPy的等效性質。為此，讓我們創建一個簡單的三層網絡，在輸入層中有5個節點，在隱藏層中有3個節點，在輸出層中有1個節點。我們只使用一個帶有五個特征和一個目標的單行訓練示例。

import torchn_input, n_hidden, n_output = 5, 3, 1

第一步是進行參數初始化。這里，每個層的權重和偏置參數被初始化為張量變量。張量是PyTorch的基本數據結構，用于建立不同類型的神經網絡。可以將它們當作是數組和矩陣的推廣，換句話說，張量是N維矩陣。

## initialize tensor for inputs, and outputsx = torch.randn((1, n_input))y = torch.randn((1, n_output))## initialize tensor variables for weightsw1 = torch.randn(n_input, n_hidden) # weight for hidden layerw2 = torch.randn(n_hidden, n_output) # weight for output layer## initialize tensor variables for bias termsb1 = torch.randn((1, n_hidden)) # bias for hidden layerb2 = torch.randn((1, n_output)) # bias for output layer

在參數初始化完成之后，可以通過以下四個關鍵步驟來定義和訓練神經網絡：

前向傳播

損失計算

反向傳播

更新參數

讓我們更詳細地了解每一個步驟。

前向傳播：在這個步驟中，每個層都使用以下兩個公式計算激活流。這些激活流從輸入層流向輸出層，以生成最終輸出。

1. z = weight * input + bias2. a = activation_function (z)

下面的代碼塊顯示了如何用PyTorch編寫這些步驟。請注意，大多數函數，如指數和矩陣乘法，均與NumPy中的函數相類似。

## sigmoid activation function using pytorchdef sigmoid_activation(z): return 1 / (1 + torch.exp(-z))## activation of hidden layerz1 = torch.mm(x, w1) + b1a1 = sigmoid_activation(z1)## activation (output) of final layerz2 = torch.mm(a1, w2) + b2output = sigmoid_activation(z2)

損失計算：這一步在輸出層中計算誤差(也稱為損失)。一個簡單的損失函數可以用來衡量實際值和預測值之間的差異。稍后，我們將查看PyTorch中可用的不同類型的損失函數。

loss = y - output

反向傳播：這一步的目的是通過對偏差和權重進行邊際變化，從而將輸出層的誤差降到最低，邊際變化是利用誤差項的導數計算出來的。

根據鏈規則的微積分原理，將增量變化返回到隱藏層，并對其權重和偏差進行相應的修正。通過對權重和偏差的調整，使得誤差最小化。

## function to calculate the derivative of activationdef sigmoid_delta(x): return x * (1 - x)## compute derivative of error termsdelta_output = sigmoid_delta(output)delta_hidden = sigmoid_delta(a1)## backpass the changes to previous layersd_outp = loss * delta_outputloss_h = torch.mm(d_outp, w2.t())d_hidn = loss_h * delta_hidden

更新參數：最后一步，利用從上述反向傳播中接收到的增量變化來對權重和偏差進行更新。

learning_rate = 0.1w2 += torch.mm(a1.t(), d_outp) * learning_ratew1 += torch.mm(x.t(), d_hidn) * learning_rateb2 += d_outp.sum() * learning_rateb1 += d_hidn.sum() * learning_rate

當使用大量訓練示例對多個歷元執行這些步驟時，損失將降至最小值。得到最終的權重和偏差值之后，用它對未知數據進行預測。

用例1：手寫數字分類

在上一節中，我們看到了用PyTorch編寫神經網絡的簡單用例。在本節中，我們將利用PyTorch提供的不同的實用程序包(nn、autograd、Optimm、torchvision、torchtext等)來建立和訓練神經網絡。

利用這些包可以方便地定義和管理神經網絡。在這個用例中，我們將創建一個多層感知器(MLP)網絡，用于構建手寫數字分類器。我們將使用torchvision包中的MNIST數據集。

與你將要從事的任何項目一樣，第一步是數據預處理：首先需要將原始數據集轉換為張量，并在固定范圍內將其歸一化。torchvision包提供了一個名為transforms的實用程序，利用它可以將不同的轉換組合在一起。

from torchvision import transforms_tasks = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ])

第一個轉換是將原始數據轉換為張量，第二個轉換是通過以下操作執行歸一化：

x_normalized = x-mean / std

數值為0.5，0.5表示紅色、綠色和藍色三個通道的均值和標準差。

from torchvision.datasets import MNIST## Load MNIST Dataset and apply transformationsmnist = MNIST("data", download=True, train=True, transform=_tasks)

PyTorch的另一個出色的實用工具是DataLoader迭代器，它為多個處理器之間并行地批處理、搬移和加載數據提供了實現的可能。為了評估這個模型，我們將數據集劃分為訓練集和驗證集。

from torch.utils.data import DataLoaderfrom torch.utils.data.sampler import SubsetRandomSampler## create training and validation splitsplit = int(0.8 * len(mnist))index_list = list(range(len(mnist)))train_idx, valid_idx = index_list[:split], index_list[split:]## create sampler objects using SubsetRandomSamplertr_sampler = SubsetRandomSampler(train_idx)val_sampler = SubsetRandomSampler(valid_idx)## create iterator objects for train and valid datasetstrainloader = DataLoader(mnist, batch_size=256, sampler=tr_sampler)validloader = DataLoader(mnist, batch_size=256, sampler=val_sampler)

PyTorch中的神經網絡架構可以定義為一個類，這個類繼承了稱為Module的nn包的基礎類的所有屬性。來自nn.Module類的繼承使得我們可以輕松地實現、訪問和調用多個方法，還可以定義類的構造函數中的各個層，以及前向傳播步驟中的前向函數。

我們將定義一個具有以下層配置的網絡：[784，128，10]。此配置表示輸入層中有784個節點(28*28像素)、隱藏層中有128個節點，輸出層中有10個節點。在前向函數中，我們將在隱藏層(可以通過nn模塊訪問)中使用Sigmoid激活函數。

import torch.nn.functional as Fclass Model(nn.Module): def __init__(self): super().__init__() self.hidden = nn.Linear(784, 128) self.output = nn.Linear(128, 10) def forward(self, x): x = self.hidden(x) x = F.sigmoid(x) x = self.output(x) return xmodel = Model()

利用nn和Optim包定義損失函數和優化器：

from torch import optimloss_function = nn.CrossEntropyLoss()optimizer = optim.SGD(model.parameters(), lr=0.01, weight_decay= 1e-6, momentum = 0.9, nesterov = True)

現在已經準備好，可以開始訓練模型了，其核心步驟與前一節相同：前向傳播、損失計算、反向傳播和更新參數。

for epoch in range(1, 11): ## run the model for 10 epochs train_loss, valid_loss = [], [] ## training part model.train() for data, target in trainloader: optimizer.zero_grad() ## 1. forward propagation output = model(data) ## 2. loss calculation loss = loss_function(output, target) ## 3. backward propagation loss.backward() ## 4. weight optimization optimizer.step() train_loss.append(loss.item()) ## evaluation part model.eval() for data, target in validloader: output = model(data) loss = loss_function(output, target) valid_loss.append(loss.item()) print ("Epoch:", epoch, "Training Loss: ", np.mean(train_loss), "Valid Loss: ", np.mean(valid_loss))>> Epoch: 1 Training Loss: 0.645777 Valid Loss: 0.344971>> Epoch: 2 Training Loss: 0.320241 Valid Loss: 0.299313>> Epoch: 3 Training Loss: 0.278429 Valid Loss: 0.269018>> Epoch: 4 Training Loss: 0.246289 Valid Loss: 0.237785>> Epoch: 5 Training Loss: 0.217010 Valid Loss: 0.217133>> Epoch: 6 Training Loss: 0.193017 Valid Loss: 0.206074>> Epoch: 7 Training Loss: 0.174385 Valid Loss: 0.180163>> Epoch: 8 Training Loss: 0.157574 Valid Loss: 0.170064>> Epoch: 9 Training Loss: 0.144316 Valid Loss: 0.162660>> Epoch: 10 Training Loss: 0.133053 Valid Loss: 0.152957

完成了模型的訓練之后，即可在驗證數據基礎上進行預測。

## dataloader for validation datasetdataiter = iter(validloader)data, labels = dataiter.next()output = model(data)_, preds_tensor = torch.max(output, 1)preds = np.squeeze(preds_tensor.numpy())print ("Actual:", labels[:10])print ("Predicted:", preds[:10])>>> Actual: [0 1 1 1 2 2 8 8 2 8]>>> Predicted: [0 1 1 1 2 2 8 8 2 8]

用例2：物體圖像分類

現在讓我們更進一步。

在這個用例中，我們將在PyTorch中創建卷積神經網絡(CNN)架構，利用流行的CIFAR-10數據集進行物體圖像分類，此數據集也包含在torchvision包中。定義和訓練模型的整個過程將與以前的用例相同，唯一的區別只是在網絡中引入了額外的層。

加載并轉換數據集：

## load the datasetfrom torchvision.datasets import CIFAR10cifar = CIFAR10('data', train=True, download=True, transform=_tasks)## create training and validation splitsplit = int(0.8 * len(cifar))index_list = list(range(len(cifar)))train_idx, valid_idx = index_list[:split], index_list[split:]## create training and validation sampler objectstr_sampler = SubsetRandomSampler(train_idx)val_sampler = SubsetRandomSampler(valid_idx)## create iterator objects for train and valid datasetstrainloader = DataLoader(cifar, batch_size=256, sampler=tr_sampler)validloader = DataLoader(cifar, batch_size=256, sampler=val_sampler)

我們將創建三個用于低層特征提取的卷積層、三個用于最大信息量提取的池化層和兩個用于線性分類的線性層。

class Model(nn.Module): def __init__(self): super(Model, self).__init__() ## define the layers self.conv1 = nn.Conv2d(3, 16, 3, padding=1) self.conv2 = nn.Conv2d(16, 32, 3, padding=1) self.conv3 = nn.Conv2d(32, 64, 3, padding=1) self.pool = nn.MaxPool2d(2, 2) self.linear1 = nn.Linear(1024, 512) self.linear2 = nn.Linear(512, 10) def forward(self, x): x = self.pool(F.relu(self.conv1(x))) x = self.pool(F.relu(self.conv2(x))) x = self.pool(F.relu(self.conv3(x))) x = x.view(-1, 1024) ## reshaping x = F.relu(self.linear1(x)) x = self.linear2(x) return xmodel = Model()

定義損失函數和優化器：

import torch.optim as optimloss_function = nn.CrossEntropyLoss()optimizer = optim.SGD(model.parameters(), lr=0.01, weight_decay= 1e-6, momentum = 0.9, nesterov = True)## run for 30 Epochsfor epoch in range(1, 31): train_loss, valid_loss = [], [] ## training part model.train() for data, target in trainloader: optimizer.zero_grad() output = model(data) loss = loss_function(output, target) loss.backward() optimizer.step() train_loss.append(loss.item()) ## evaluation part model.eval() for data, target in validloader: output = model(data) loss = loss_function(output, target) valid_loss.append(loss.item())

完成了模型的訓練之后，即可在驗證數據基礎上進行預測。

## dataloader for validation datasetdataiter = iter(validloader)data, labels = dataiter.next()output = model(data)_, preds_tensor = torch.max(output, 1)preds = np.squeeze(preds_tensor.numpy())print ("Actual:", labels[:10])print ("Predicted:", preds[:10])Actual: ['truck', 'truck', 'truck', 'horse', 'bird', 'truck', 'ship', 'bird', 'deer', 'bird']Pred: ['truck', 'automobile', 'automobile', 'horse', 'bird', 'airplane', 'ship', 'bird', 'deer', 'bird']

用例3：情感文本分類

我們將從計算機視覺用例轉向自然語言處理，目的是展示PyTorch在不同領域的不同應用。

在本節中，我們將利用基于RNN（遞歸神經網絡）和LSTM（長短期記憶）層的Pyotch來完成文本分類任務。首先，加載包含兩個字段（文本和目標）的數據集。目標包含兩個類：class1和class2，我們的任務是將每個文本分為其中一個類。

可以在下面的鏈接中下載數據集。

https://s3-ap-south-1.amazonaws.com/av-blog-media/wp-content/uploads/2019/01/train.csv

train = pd.read_csv("train.csv")x_train = train["text"].valuesy_train = train['target'].values

強烈建議在編碼之前先設置種子，它可以保證你看到的結果與我的相同-這是在學習新概念時非常有用(也很有益)的特征。

np.random.seed(123)torch.manual_seed(123)torch.cuda.manual_seed(123)torch.backends.cudnn.deterministic = True

在預處理步驟中，首先將文本數據轉換為tokens序列，之后便可以將其傳遞到嵌入層。我將利用Keras包中提供的實用程序來進行預處理，利用torchtext包也同樣可以實現。

from keras.preprocessing import text, sequence## create tokenstokenizer = Tokenizer(num_words = 1000)tokenizer.fit_on_texts(x_train)word_index = tokenizer.word_index## convert texts to padded sequencesx_train = tokenizer.texts_to_sequences(x_train)x_train = pad_sequences(x_train, maxlen = 70)

接下來，需要將tokens轉換成向量。為此，利用預先訓練過的GloVe詞嵌入。我們將加載這些單詞嵌入，并創建一個包含單詞向量的嵌入矩陣。

GloVe：

https://github.com/stanfordnlp/GloVe

EMBEDDING_FILE = 'glove.840B.300d.txt'embeddings_index = {}for i, line in enumerate(open(EMBEDDING_FILE)): val = line.split() embeddings_index[val[0]] = np.asarray(val[1:], dtype='float32')embedding_matrix = np.zeros((len(word_index) + 1, 300))for word, i in word_index.items(): embedding_vector = embeddings_index.get(word) if embedding_vector is not None: embedding_matrix[i] = embedding_vector

使用嵌入層和LSTM層定義模型架構：

class Model(nn.Module): def __init__(self): super(Model, self).__init__() ## Embedding Layer, Add parameter self.embedding = nn.Embedding(max_features, embed_size) et = torch.tensor(embedding_matrix, dtype=torch.float32) self.embedding.weight = nn.Parameter(et) self.embedding.weight.requires_grad = False self.embedding_dropout = nn.Dropout2d(0.1) self.lstm = nn.LSTM(300, 40) self.linear = nn.Linear(40, 16) self.out = nn.Linear(16, 1) self.relu = nn.ReLU() def forward(self, x): h_embedding = self.embedding(x) h_lstm, _ = self.lstm(h_embedding) max_pool, _ = torch.max(h_lstm, 1) linear = self.relu(self.linear(max_pool)) out = self.out(linear) return outmodel = Model()

創建訓練和驗證集：

from torch.utils.data import TensorDataset## create training and validation splitsplit_size = int(0.8 * len(train_df))index_list = list(range(len(train_df)))train_idx, valid_idx = index_list[:split], index_list[split:]## create iterator objects for train and valid datasetsx_tr = torch.tensor(x_train[train_idx], dtype=torch.long)y_tr = torch.tensor(y_train[train_idx], dtype=torch.float32)train = TensorDataset(x_tr, y_tr)trainloader = DataLoader(train, batch_size=128)x_val = torch.tensor(x_train[valid_idx], dtype=torch.long)y_val = torch.tensor(y_train[valid_idx], dtype=torch.float32)valid = TensorDataset(x_val, y_val)validloader = DataLoader(valid, batch_size=128)

定義損失和優化器：

loss_function = nn.BCEWithLogitsLoss(reduction='mean')optimizer = optim.Adam(model.parameters())

訓練模型：

## run for 10 Epochsfor epoch in range(1, 11): train_loss, valid_loss = [], []## training part model.train() for data, target in trainloader: optimizer.zero_grad() output = model(data) loss = loss_function(output, target.view(-1,1)) loss.backward() optimizer.step() train_loss.append(loss.item()) ## evaluation part model.eval() for data, target in validloader: output = model(data) loss = loss_function(output, target.view(-1,1)) valid_loss.append(loss.item())

最后得到預測結果：

dataiter = iter(validloader)data, labels = dataiter.next()output = model(data)_, preds_tensor = torch.max(output, 1)preds = np.squeeze(preds_tensor.numpy())Actual: [0 1 1 1 1 0 0 0 0]Predicted: [0 1 1 1 1 1 1 1 0 0]

用例4：圖像樣式遷移

讓我們來看最后一個用例，在這里我們將執行圖形樣式的遷移。這是我經歷過的最有創意的項目之一，希望你也能玩得開心。樣式遷移概念背后的基本理念是：

從一幅圖像中獲取對象/內容

從另一幅圖像中獲取樣式/紋理

生成二者混合的最終圖像

“利用卷積網絡進行圖像樣式遷移”這篇論文中對這一概念做了介紹，樣式遷移的一個例子如下：

太棒了，對吧？讓我們看看它在PyTorch中是如何實現的。這一進程包括六個步驟：

從兩個輸入圖像中提取低層特征。這可以使用VGG 19這樣的預訓練的深度學習模型。

from torchvision import models# get the features portion from VGG19vgg = models.vgg19(pretrained=True).features# freeze all VGG parametersfor param in vgg.parameters(): param.requires_grad_(False)# check if GPU is availabledevice = torch.device("cpu")if torch.cuda.is_available(): device = torch.device("cuda")vgg.to(device)

將這兩幅圖像加載到設備上，并從VGG中獲取特征。另外，也可以應用以下轉換：調整張量的大小，以及值的歸一化。

from torchvision import transforms as tfdef transformation(img): tasks = tf.Compose([tf.Resize(400), tf.ToTensor(), tf.Normalize((0.44,0.44,0.44),(0.22,0.22,0.22))]) img = tasks(img)[:3,:,:].unsqueeze(0) return imgimg1 = Image.open("image1.jpg").convert('RGB')img2 = Image.open("image2.jpg").convert('RGB')img1 = transformation(img1).to(device)img2 = transformation(img2).to(device)

現在，我們需要獲得這兩幅圖像的相關特征。從第一個圖像中，我們需要提取內容或與存在的對象相關的特征；從第二張圖像中，我們需要提取與樣式和紋理相關的特征。

對象相關特征：在最初的文章中，作者建議可以從網絡的初始層中提取更有價值的對象和內容，這是因為在較高層上，信息空間變得更為復雜，像素信息細節在高層往往會丟失。

樣式相關特征：為了從第二幅圖像中獲取樣式和紋理信息，作者在不同層次上使用了不同特征之間的相關性，下文第4點對此作了詳細解釋。

在實現這一目標之前，讓我們來看看一個典型的VGG 19模型的結構：

對象信息提取用到的是CONV42層，它位于第4個卷積塊中，深度為512。對于樣式的表達，用到的層是網絡中每個卷積塊的第一卷積層，即CONV11、CONV21、CONV31、CONV41和CONV51，這些層的選取純粹是根據作者的經驗來做出選擇，我僅在本文中復制它們的結果。

def get_features(image, model): layers = {'0': 'conv1_1', '5': 'conv2_1', '10': 'conv3_1', '19': 'conv4_1', '21': 'conv4_2', '28': 'conv5_1'} x = image features = {} for name, layer in model._modules.items(): x = layer(x) if name in layers: features[layers[name]] = x return featuresimg1_features = get_features(img1, vgg)img2_features = get_features(img2, vgg)

正如前面提到的，作者使用不同層次的相關性來獲得與樣式相關的特征。這些特征的相關性由Gram矩陣G給出，其中G中的每個單元(i,j)都是層中向量特征映射i和j之間的內積。

def correlation_matrix(tensor): _, d, h, w = tensor.size() tensor = tensor.view(d, h * w) correlation = torch.mm(tensor, tensor.t()) return correlationcorrelations = {l: correlation_matrix(img2_features[l]) for l in img2_features}

最終，可以利用這些特征和相關性進行樣式轉換。現在，為了將樣式從一個圖像轉換到另一個圖像，需要設置用于獲取樣式特征的每一層的權重。如上所述，由于初始層提供了更多的信息，因此可以為初始層設置更高的權重。此外，定義優化器函數和目標圖像，也即是圖像1的副本。

weights = {'conv1_1': 1.0, 'conv2_1': 0.8, 'conv3_1': 0.25, 'conv4_1': 0.21, 'conv5_1': 0.18}target = img1.clone().requires_grad_(True).to(device)optimizer = optim.Adam([target], lr=0.003)

啟動損失最小化處理過程：即在循環中運行大量步驟，來計算與對象特征提取和樣式特征提取相關的損失。利用最小化后的損失，更新網絡參數，進一步修正目標圖像。經過一些迭代之后，將生成更新后的圖像。

for ii in range(1, 2001): ## calculate the content loss (from image 1 and target) target_features = get_features(target, vgg) loss = target_features['conv4_2'] - img1_features['conv4_2'] content_loss = torch.mean((loss)**2) ## calculate the style loss (from image 2 and target) style_loss = 0 for layer in weights: target_feature = target_features[layer] target_corr = correlation_matrix(target_feature) style_corr = correlations[layer] layer_loss = torch.mean((target_corr - style_corr)**2) layer_loss *= weights[layer] _, d, h, w = target_feature.shape style_loss += layer_loss / (d * h * w) total_loss = 1e6 * style_loss + content_loss optimizer.zero_grad() total_loss.backward() optimizer.step()

最后，我們可以看到預測的結果，在這里我只運行了一小部分迭代，還可以運行多達3000次迭代(如果計算資源足夠多的話！)。

def tensor_to_image(tensor): image = tensor.to("cpu").clone().detach() image = image.numpy().squeeze() image = image.transpose(1, 2, 0) image *= np.array((0.22, 0.22, 0.22)) + np.array((0.44, 0.44, 0.44)) image = image.clip(0, 1) return imagefig, (ax1, ax2) = plt.subplots(1, 2, figsize=(20, 10))ax1.imshow(tensor_to_image(img1))ax2.imshow(tensor_to_image(target))

后記

PyTorch還可以實現大量的其他用例，它很快成為全球研究人員的寵兒。絕大多數PyTorch實現的開源庫和開發應用可以在Github上看到。

在本文中，我闡述了什么是PyTorch，以及如何用PyTorch實現不同的用例，當然，這個指南只是一個出發點。如果能提供更多的數據，或進行更多的網絡參數微調，那么每個用例的性能都可以得到大幅度提高，最重要的是如果在構建網絡體系架構時應用創新技能，也能提高用例的性能。感謝你的閱讀，并請在下面的評論部分留下你的反饋。

參考文獻

1. 官方PyTorch指南：

https://pytorch.org/tutorials/

2. 用PyTorch進行深度學習

https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html

3. Faizan在Analytics Vidhya上發表的文章：

https://www.analyticsvidhya.com/blog/2018/02/pytorch-tutorial/

4. 使用Pytorch的Udacity深度學習：

https://github.com/udacity/deep-learning-v2-pytorch

5. 圖片樣式遷移原始論文：

https://www.cvfoundation.org/openaccess/content_cvpr_2016/papers/Gatys_Image_Style_Transfer_CVPR_2016_paper.pdf

你還可以在Analytics Vidhya的安卓APP上閱讀本文。