动态计算图

在深度学习中使用 PyTorch 的主要原因之一，是我们可以自动获得定义的函数的梯度/导数。

当我们操作我们的输入时，会自动创建一个计算图。该图显示了如何从输入到输出的动态计算过程。

为了熟悉计算图的概念，下面将动态为以下函数创建一个：

这里的 是我们的参数，我们想要优化(最大化或最小化)输出 . 为此，我们想要获得梯度.

在下面的代码中，我将使用[1,2,3]作输入。

# 只有浮动张量有梯度 x =&计算nbsp;torch.arange(1,4, dtype=torch.float32, requires_grad=True)  print("X", x) 图和 # X tensor([1., 2., 3.], requires_grad=True) 

现在让我来一步一步地构建计算图，了解每个操作是到底是如何添GP加到计算图中的。

a = x + 2 b = a ** 2 c = b + U支;3 y = c.mean() print("Y", y) # Y tensor(19.6667, grad_fn=)&nb持操sp;

使用上面的语句，我们创建了一个类似于下图的计算图(通过tensorboard )查看：

我们计算 a 基于输入x 和常数2, b是 a平方等等操作。计算图通常以相反的方向可视化(箭头从结果指向输入)。

我们可以通过backward(动态)在最后一个输出上调用函数来对计算图执行反向传播，这样可以，计算了每个具有属性的张量的梯度requires_grad=True：

y.backward() 

最后打印x.grad就可以查看对应梯度。

GP计算U支持操作

在Pytorch中GPU 可以并行执行数以千计的小运算，因此非常适合在神经网络中执行大型矩阵运算。

「CPU 与 GPU的区别」

PyTorch 使用GPU，需要搭建NVIDIA 的CUDA和cuDNN。

下面代码，检查是图和否有可用的 GPU：

gpu_avail = torch.cuda.is_available() print("Is the GPU available? %GPs" % str(gpu_avail)) 

现在创建一个张量并将其推送到GPU设备：

device = torch.device("cuda") if&nbU支sp;torch.cuda.is_available() else torch.device("cpu") print("Device", device) x 持操;= x.to(device) print("X", x)  # Device cuda # X tensor([1动态., 1., 1.], device='cuda:0') 

cuda 旁边的零表示这是计算机上的第0个 GPU 设备。因此，PyTorch 还支持多 GPU 系统，

下面将CPU 上的大型矩阵乘法的运行计算时间与 GPU 上的运算进行比较：

根据系统中的配置而定，GPU加速提高模型的训练速度。