在这一部分，我们将讨论导数以及如何在PyTorch中应用它们。让我们开始吧。梯度用于找到函数的导数。在数学术语中，导数意味着对函数进行部分微分并找到值。

- 阅读剩余部分 -

二维张量类似于二维矩阵。一个二维矩阵有n行和n列。同样，二维张量也有n行和n列。

- 阅读剩余部分 -

我们知道张量有不同类型的维度，例如零维、一维和多维。向量是一维张量，为了操纵它们，有许多可用的操作。向量操作有不同的类型，如数学运算、点积和linspace。向量在深度学习中起着关键作用。

- 阅读剩余部分 -

正如我们知道的，PyTorch在方便地定义神经网络方面受到了深度学习世界的欢迎。神经网络基本上是基于传感器结构的，而PyTorch也是围绕传感器构建的。这通常会在性能上获得显著提升。张量模糊地是矩阵的概括。

- 阅读剩余部分 -

张量是PyTorch的关键组件。我们可以说PyTorch完全基于张量。在数学中，数字的矩形数组称为矩阵。在NumPy库中，这些矩阵称为ndarray。在PyTorch中，它被称为张量。张量是一个n维数据容器。例如，在PyTorch中，1维张量是一个向量，2维张量是一个矩阵，3维张量是一个立方体，4维张量是一个四维立方体。

- 阅读剩余部分 -

在开始一个新项目之前，了解PyTorch和TensorFlow之间的差异是必要的。在深度学习或机器学习研究中，当开发人员决定使用哪个框架时，库扮演着至关重要的角色。根据一项调查，有1616名机器学习开发人员和数据科学家使用PyTorch，而有3.4名机器学习开发人员使用TensorFlow。

- 阅读剩余部分 -

理解使用PyTorch所需的所有基本概念至关重要。PyTorch完全基于张量（Tensors）。张量具有执行操作的功能。除此之外，还有许多其他概念是执行任务所需的。

- 阅读剩余部分 -

PyTorch提供了torch.nn模块，以帮助我们创建和训练神经网络。我们将首先在MNIST数据集上训练基本的神经网络，不使用这些模型的任何特征。我们仅使用基本的PyTorch张量功能，然后逐步添加torch.nn中的一个特征。torch.nn为我们提供了许多类和模块，用于实现和训练神经网络。

- 阅读剩余部分 -

PyTorch是一个针对使用CPU和GPU进行深度学习的优化张量库。PyTorch拥有丰富的包，用于执行深度学习概念。这些包帮助我们进行优化、转换、损失计算等。让我们简要了解这些包。

- 阅读剩余部分 -

要进行安装，首先你需要选择你的偏好，然后运行安装命令。你可以选择在本地开始安装，也可以选择使用云合作伙伴。在下面的图表中，"Stable" 显示了最新支持和测试的PyTorch版本（1.1），适用于许多用户。如果你想要最新的1.1版本，但不是经过完全测试和支持的版本，那么你需要选择 "Preview (Nightly)"。

- 阅读剩余部分 -