想學習pytorch，需要先學習python嗎？Python是目前非常流行的深度學習框架。如果你想學習它，你最好先學習一些Python編程基礎，因為很多使用Python的代碼都是用Python開發(fā)的。

想學習pytorch，需要先學習python嗎？

Python是目前非常流行的深度學習框架。如果你想學習它，你最好先學習一些Python編程基礎，因為很多使用Python的代碼都是用Python開發(fā)的。在學習了一些Python之后，奠定了一個很好的基礎，它將幫助你理解和學習Python。在建房子之前打好基礎是事實。

網(wǎng)上有很多關于Python的免費教程。在今天的文章中，我寫了一篇關于學習python的文章。在理解了python的一些基本語法之后，我可以編寫和運行一些簡單的python程序，然后我就可以開始學習python了。在其官方網(wǎng)站上有一個學習教程供參考：http:http:www.python.com//pytorch.org/tutorials/

PyTorch和Gluon有什么區(qū)別？

兩者都是深度學習平臺，可用于卷積神經(jīng)網(wǎng)絡、RNN等深度學習模型的建立、訓練、學習等工作。

首先，不同的公司提供支持。Python來自Facebook，glion來自Amazon。

那么，類型定位就不同了。如果詳細劃分，Python是一個靈活的后端深度學習平臺，tensorflow和mxnet被視為一種類型，glion是一個高度集成的前端平臺，keras是一種類型。也就是說，glion的一個函數(shù)或?qū)ο蠹闪薽xnet的多個功能，glion的一個命令就可以完成mxnet的開發(fā)，就像keras使用tensorflow作為后端一樣，keras高度集成了這些后端平臺的功能。

其次，編程方法，Python是基于命令編程的，簡單但速度有限，glion結(jié)合了符號編程和命令編程，既快又簡單。

最后，靈活性。Python的集成度沒有glion那么高，所以它是高度可定制的。膠子的集成度太高，靈活性有限。

面對Tensorflow，為何我選擇PyTorch？

讓我們從Python的缺點開始。python自發(fā)布以來，在學術界實際生產(chǎn)中的應用比工業(yè)界多，主要原因是它不夠成熟，很多接口不穩(wěn)定，綜合性不夠。Tensorflow仍有許多Python不支持的功能，如快速傅立葉變換，但隨著Python的發(fā)展，這一缺點將逐漸減少。另外，與tensorflow的靜態(tài)圖相比，tensorflow的靜態(tài)圖很容易部署到任何地方（這比許多框架都要好得多），Python的深度學習框架比Python更先進，部署到其他產(chǎn)品上會非常不方便。

優(yōu)勢從一開始就有。盡管tensorflow自2015年發(fā)布以來受到了許多方面的青睞，比如theano，但tensorflow使用的是靜態(tài)計算圖。對于新手來說，有太多的新概念需要學習。因此，無論如何開始或構(gòu)建，使用tensorflow都比python更困難。2017年，Python被團隊開放源碼的一個主要原因是更容易構(gòu)建深度學習模型，這使得Python發(fā)展非常迅速。在數(shù)據(jù)加載方面，Python用于加載數(shù)據(jù)的API簡單高效。它的面向?qū)ο驛PI來自于porch（這也是keras的設計起源），它比tensorflow的困難API友好得多。用戶可以專注于實現(xiàn)自己的想法，而不是被框架本身所束縛。

在速度方面，python不會為了靈活性而放棄速度。雖然運行速度與程序員的水平密切相關，但在相同的情況下，它可能比其他框架更好。另外，如果追求自定義擴展，python也會是首選，因為雖然兩者的構(gòu)造和綁定有一些相似之處，但tensorflow在擴展中需要大量的模板代碼，而只有接口和實現(xiàn)是python編寫的。