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。