前言
PyTorch是什么
在学习pytorch之前，我们需要了解一下PyTorch是什么，pytorch在学习过程中扮演着什么角色。
官网解释是PyTorch是一个由 Facebook开发的开源机器学习框架，主要用于深度学习和科学计算。简单来说，pytorch是我们在学习深度学习过程的一个工具，它提供了各种工具和接口，能够快速搭建模型，并且能够进行模型训练，模型测试，模型保存，模型加载等操作。就像木匠需要锯子和锤子一样，深度学习研究者需要 PyTorch这样的工具来构建和优化模型。
机器学习
在日常生活中，我们常常能听到机器学习和深度学习这两个概念，对此我产生过疑问，两者到底有什么区别是什么关系呢？
两者的关系是包含和被包含的关系。人工智能 ⊃ 机器学习 ⊃ 深度学习
机器学习（ML）：是让计算机通过算法从数据中学习规律，并做出预测或决策的技术。传统机器学习需要人工提取数据特征（如统计特征、纹理特征等），再训练模型（如决策树、SVM等）。
深度学习（DL）：是机器学习的一个子领域，核心是使用多层神经网络自动从原始数据中学习特征（无需人工干预）。它属于"表示学习"或"端到端学习"。
下面从多个维度进行比较。
| 对比维度 | 机器学习（ML） | 深度学习（DL） |
|---|---|---|
| 定义 | 通过算法从数据中学习模式的AI技术 | ML的子集，使用多层神经网络自动学习特征 |
| 特征处理 | 依赖人工特征工程（如统计量、纹理提取） | 自动从原始数据中学习多层次特征（端到端） |
| 数据需求量 | 小规模数据即可（千~十万级样本） | 需要海量数据（百万级样本以上） |
| 计算资源 | CPU可运行，资源消耗低 | 依赖GPU/TPU，训练成本高 |
| 典型算法 | 决策树、SVM、随机森林、线性回归 | CNN、RNN、Transformer、ResNet |
| 模型复杂度 | 模型较简单（通常<1MB） | 极深网络（如GPT-3有1750亿参数） |
| 训练时间 | 分钟~小时级 | 小时~天级（大模型需数月） |
| 可解释性 | 高（可分析特征重要性） | 极低（"黑箱"特性） |
| 硬件依赖 | 普通服务器 | 需高性能计算集群（如NVIDIA A100） |
| 适用场景 | 结构化数据、小样本分类/回归 | 非结构化数据（图像、语音、文本） |
| 代码示例 | sklearn库（Python） | TensorFlow/PyTorch框架 |
| 代表应用 | 信用卡欺诈检测、房价预测 | 人脸识别、ChatGPT、自动驾驶 |
传统机器学习，像教孩子认数字时，先告诉他规则（如“7”是一横一竖），再让他根据规则判断。而深度学习，直接给孩子看大量数字图片，让他自己总结规律。
监督学习
监督学习就像老师教学生做题，老师给你一套带答案的练习题。你通过反复练习这些题目，总结出解题规律。之后遇到新题目时，你就能根据学到的规律给出答案。
监督学习需要标签数据，学会从输入预测输出。
无监督学习
无监督学习就像孩子自己整理玩具，没有老师教你，而是给你一堆没有标签的玩具，你的任务是自己发现规律——比如按颜色、形状或大小把玩具分成几组，或者找出哪些玩具经常一起出现。
监督学习只有原始数据，发现数据的隐藏结构。
强化学习
强化学习就像训练小狗学技能，训练一只小狗做动作，小狗通过试错，记住哪些动作能获得零食，最终学会听指令。
强化学习没有标准答案，没人直接告诉小狗“怎么坐下”，它自己尝试。延迟反馈，可能试了很多次才偶然做对，然后强化记忆。