深度智心
PyTorch发布已经有段时间了，最近越来越火，但周围用的人不是很多，很多人已经用习惯了Caffe或者TensorFlow。其实PyTorch还是很有吸引力和竞争力的，相信会有越来越多的人转移到PyTorch阵营来。
PyTorch的优点比较明显，首先安装起来很方便，根据系统环境选择pip安装或者conda安装（如果你系统安装了Anaconda环境），如果使用GPU需要先安装CUDA，根据版本选择即可，免去了类似安装Caffe依赖库、编译caffe的很多麻烦，如下图：
第二个很大的优点便是简洁易用，今天和大家一起来探讨一下如何用PyTorch来实现一个简单的卷积神级网络。
首先是准备数据，PyTorch准备数据有很多灵活的方式，在最后能够将数据转为Numpy数组即可，通过Numpy数据可以转化为PyTorch所需的Tensor。因此，对于图像数据，可以直接通过opencv，Pillow等做处理；语音数据可以通过scipy和librosa来处理成numpy；文本数据可以通过CNTK之类的自然语言处理库处理成numpy数组。
今天会提供一个处理自己数据的样例，但最后网络所用的训练数据采用MNIST。
以下是一个简单的将图像数据转换为Numpy数组数据的样例，在模型中调用加载处理好的数据，并转为Tensor就可以实现自己数据的训练：
对于MNIST，PyTorch官方封装了加载数据的模块：torchvision.datasets.MNIST，大家可以去官网查看，这里同样会提供一个自己处理MNIST数据的样例，如下：
有了数据，接下来我们可以开始构建模型了，这里构建一个2层卷积，用过torch的人应该很熟悉，模型很简单也很明了：
模型构建完毕，就可以供训练和测试使用了，以下为训练和测试调用模型例子：
这里默认为CPU模型，如果需要使用GUP，需要将数据流和模型都加载到显存,调用*.cuda( )即可。
接下来就是迭代训练和测试：
之后调用main函数就可以愉快的训练了。
