学习参考项目：
https://github.com/fendouai/PyTorchDocs/tree/master
处于学习阶段，内容几乎全部上述文档，仅进行归纳整理与加上自己的部分理解，特此声明。
# 第一章 PyTorch 之简介与下载
# Pytorch 简介
要介绍 PyTorch 之前，不得不说一下 Torch 。 Torch 是一个有大量机器学习算法支持的科学计算框架，是一个与 Numpy 类似的张量（ Tensor ）
操作库，其特点是特别灵活，但因其采用了小众的编程语言是 Lua ，所以流行度不高，这也就有了 PyTorch 的出现。所以其实 Torch 是 PyTorch 的前身，它们的底层语言相同，只是使用了不同的 上层包装语言
PyTorch 是一个基于 Torch 的 Python 开源机器学习库，用于自然语言处理等应用程序。
它主要由 Facebook 的人工智能小组开发，不仅能够实现强大的 GPU 加速，同时还支持动态神经网络，这一点是现在很多主流框架如 TensorFlow 都不支持的。
PyTorch 提供了两个高级功能：
具有强大的
GPU加速的张量计算（如Numpy）包含自动求导系统的深度神经网络
TensorFlow 和 Caffe 都是命令式的编程语言，而且是静态的，首先必须构建一个神经网络，然后一次又一次使用相同的结构，如果想要改变网络的结构，就必须从头开始。
但是对于 PyTorch ，通过反向求导技术，可以让你零延迟地任意改变神经网络的行为，而且其实现速度快。正是这一灵活性是 PyTorch 对比 TensorFlow 的最大优势。
所以，总结一下 PyTorch 的优点：
- 支持 GPU
- 灵活，支持动态神经网络
- 底层代码易于理解
- 命令式体验
- 自定义扩展
- 少量代码就能完成机器学习任务
缺点：对比 TensorFlow ，
- 其全面性处于劣势，目前 PyTorch 还不支持快速傅里叶、沿维翻转张量和检查无穷与非数值张量；
- 针对移动端、嵌入式部署以及高性能服务器端的部署其性能表现有待提升；
- 框架较新，社区没有那么强大，C 库大多数没有文档。
# Pytorch 环境搭建
# 1. 安装 Anaconda 3.5
Anaconda 是一个用于科学计算的 Python 发行版，支持 Linux、Mac 和 Window 系统，提供了包管理与环境管理的功能，可以很方便地解决 Python 并存、切换，以及各种第三方包安装的问题。
# 下载：
可以直接从 Anaconda 官网下载，但因为 Anaconda 的服务器在国外，所以下载速度会很慢，这里推荐使用清华的镜像来下载。选择合适你的版本下载，我这里选择 Anaconda3-5.1.0-Windows-x86_64.exe
# 安装：
安装完成后，进行 Anaconda 的环境变量配置，打开控制面板 -> 高级系统设置 -> 环境变量 -> 系统变量找到 Path，点击编辑，加入三个文件夹的存储路径（注意三个路径之间需用分号隔开）
# 2. 安装 PyTorch & torchvision
# 命令获取
进入 PyTorch 官网，依次选择你电脑的配置（我这里已经下载了 python3.7），这里提供使用 pip 和 conda 两种环境下安装的步骤截图
(1) 使用 pip：windows+pip+python3.7+None
(2) 使用 conda：windows+conda+python3.7+None
