有了处置excel数据的R言语代码如何运行 (已经处置)
本文目录导航：
有了处置excel数据的R言语代码如何运行？
数据迷信和机器学习是该时代最需求的技术，这一需求促使每团体都学习不同的库和软件包以成功它们。
这篇博客文章将重点引见用于数据迷信和机器学习的Python库。
这些是您把握市场上最被炒作的两项技艺的库。
以下是此博客中将触及的主题列表：
数据迷信与机器学习导论为什么要经常使用Python启动数据迷信和机器学习？用于数据迷信和机器学习的Python库用于统计的Python库用于可视化的Python库用于机器学习的Python库深度学习的Python库用于人造言语处置的Python库数据迷信与机器学习导论
当我开局钻研数据迷信和机器学习时，总是有这个疑问困扰我最大。是什么造成围绕这两个话题的抢手话题？
嗡嗡声与咱们生成的数据量有很大相关。数据是驱动ML模型所需的燃料，并且由于咱们处在大数据时代，因此很分明为什么将数据迷信视为该时代最有宿愿的上班角色！
我会说数据迷信和机器学习是技艺，而不只仅是技术。
它们是从数据中取得有用的见地并经过建设预测模型处置疑问所需的技艺。
从方式过去讲，这就是两者的定义方式。
数据迷信是从数据中提取有用信息以处置实践疑问的环节。
机器学习是使机器学习如何经过提供少量数据来处置疑问的环节。
这两个域是高度互连的。
机器学习是数据迷信的一局部，它应用ML算法和其余统计技术来了解数据如何影响和开展业务。
为什么要经常使用Python？
Python在用于成功机器学习和数据迷信的最盛行的编程言语中排名第一。
让咱们了解为什么。
易于学习：Python经常使用十分繁难的语法，可用于成功繁难的计算，例如将两个字符串减少到复杂的环节中，例如构建复杂的ML模型。
更少的代码：实施数据迷信和机器学习触及有数的算法。
得益于Python对预约义包的支持，咱们不用编写算法。
为了使事件变得更容易，Python提供了一种“在编码时审核”的方法，从而减轻了测试代码的累赘。
预建库：Python有100多个预建库，用于成功各种ML和深度学习算法。
因此，每次您要在数据集上运转算法时，只要要做的就是用单个命令装置和加载必要的程序包。
预先构建的库的示例包括NumPy，Keras，Tensorflow，Pytorch等。
与平台有关：Python可以在多个平台上运转，包括Windows，macOS，Linux，Unix等。
在将代码从一个平台转移到另一个平台时，您可以经常使用诸如PyInstaller之类的软件包，该软件包将处置一切依赖性疑问。
少量的社区支持：除领有少量支持者外，Python还领有多个社区，集团和论坛，程序员可以在其中颁布他们的失误并相互协助。
Python库
Python在AI和ML畛域遍及的惟一最关键的要素是，Python提供了数千个内置库，这些库具备内置配置和方法，可以轻松地启动数据剖析，处置，处置，建模等。
。
在下一节中，咱们将探讨以下义务的库：
统计剖析数据可视化数据建模与机器学习深度学习人造言语处置（NLP）统计剖析
统计是数据迷信和机器学习的最基本基础之一。
一切ML和DL算法，技术等均基于统计的基本原理和概念。
Python附带了少量的库，仅用于统计剖析。
在此博客中，咱们将重点引见提供内置函数以口头最复杂的统计计算的顶级统计软件包。
这是用于统计剖析的顶级Python库的列表：
NumPySciPyPandas统计模型NumPy
NumPy或数值Python是最罕用的Python库之一。
该库的关键配置是它支持用于数学和逻辑运算的多维数组。
NumPy提供的配置可用于索引，分类，整形和传输图像和声波，这些图像和声波是多维实数数组。
以下是NumPy的配置列表：
口头繁难到复杂的数学和迷信计算对多维数组对象的弱小支持以及用于处置数组元素的函数和方法的汇合傅里叶变换和数据处置例程口头线性代数计算，这关于机器学习算法（例如线性回归，逻辑回归，豪华贝叶斯等）是必须的。SciPy
SciPy库建设在NumPy之上，是一组子软件包的汇合，可协助处置与统计剖析有关的最基本疑问。
SciPy库用于处置经常使用NumPy库定义的数组元素，因此它通罕用于计算经常使用NumPy不可成功的数学方程式。
这是SciPy的配置列表：
它与NumPy数组一同经常使用，提供了一个平台，提供了许少数学方法，例如数值积分和优化。
它具备可用于矢量量化，傅立叶变换，积分，插值等子包的汇合。
提供完整的线性代数函数堆栈，这些函数可用于更初级的计算，例如经常使用k-means算法的聚类等。
提供对信号处置，数据结构和数值算法，创立稠密矩阵等的支持。
Pandas
Pandas是另一个关键的统计库，关键用于统计，金融，经济学，数据剖析等宽泛畛域。
该库依赖于NumPy数组来处置Pandas数据对象。
NumPy，Pandas和SciPy在口头迷信计算，数据处置等方面都重大依赖彼此。
我经常被要求在Pandas，NumPy和SciPy当选用最好的，然而，我更青睐经常使用它们，由于它们彼此之间十分依赖。
Pandas是处置少量数据的最佳库之一，而NumPy对多维数组具备杰出的支持，另一方面，Scipy提供了一组口头大少数统计剖析义务的子包。
以下是Pandas的配置列表：
经常使用预约义和自定义索引创立极速有效的DataFrame对象。
它可用于处置大型数据集并口头子集，数据切片，索引等。
提供用于创立Excel图表和口头复杂数据剖析义务的内置配置，例如形容性统计剖析，数据整顿，转换，操作，可视化等。
提供对处置期间序列数据的支持统计模型
StatsModels Python软件包建设在NumPy和SciPy之上，是创立统计模型，数据处置和模型评价的最佳选用。
除了经常使用SciPy库中的NumPy数组和迷信模型外，它还与Pandas集成以启动有效的数据处置。
该库以统计计算，统计测试和数据探求而知名。
以下是StatsModels的配置列表：
NumPy和SciPy库中找不到的口头统计测验和假定测验的最佳库。
提供R样式公式的成功，以成功更好的统计剖析。
它更附属于统计人员经常经常使用的R言语。
由于它宽泛支持统计计算，因此通罕用于成功狭义线性模型（GLM）和个别最小二乘线性回归（OLM）模型。
包括假定测验（零实践）在内的统计测验是经常使用StatsModels库成功的。
因此，它们是用于统计剖析的最罕用和最有效的Python库。
如今让咱们进入数据迷信和机器学习中的数据可视化局部。
数据可视化
图片说出一千多个单词。
咱们都听说过关于艺术方面的援用，然而，关于数据迷信和机器学习也是如此。
数据可视化就是经过图形表示有效地表白来自数据的关键见地。
它包括图形，图表，思想导图，热图，直方图，密度图等的成功，以钻研各种数据变量之间的相关性。
在本博客中，咱们将重点引见最好的Python数据可视化软件包，这些软件包提供内置函数来钻研各种数据配置之间的依赖相关。
这是用于数据可视化的顶级Python库的列表：
MatplotlibMatplotlibPlotyBokehMatplotlib
Matplotlib是Python中最基本的数据可视化软件包。
它支持各种图形，例如直方图，条形图，功率谱，误差图等。
它是一个二维图形库，可生成明晰明了的图形，这关于探求性数据剖析（EDA）至关关键。
这是Matplotlib的配置列表：
Matplotlib经过提供选用适合的线条样式，字体样式，格局化轴等配置，使绘制图形变得极为容易。
创立的图形可协助您分明地了解趋向，形式并启动关联。
它们通常是推理定量信息的工具。
它蕴含Pyplot模块，该模块提供了与MATLAB用户界面十分相似的界面。
这是Matplotlib软件包的最佳配置之一。
提供面向对象的API模块，以经常使用GUI工具（例如Tkinter，wxPython，Qt等）将图形集成到运行程序中。
Matplotlib
Matplotlib库造成了Seaborn库的基础。
与Matplotlib相比，Seaborn可用于创立更具吸引力和形容性的统计图。
除了对数据可视化的宽泛支持外，Seaborn还附带一个面向数据集的内置API，用于钻研多个变量之间的相关。
以下是Seaborn的配置列表：
提供用于剖析和可视化单变量和双变量数据点以及将数据与其余数据子集启动比拟的选项。
支持针对各种指标变量的线性回归模型的智能统计预计和图形表示。
经过提供口头初级形象的配置，构建用于结构多图网格的复杂可视化。
带有许多内置主题，可用于样式设置和创立matplotlib图Ploty
Ploty是最知名的图形Python库之一。
它提供了交互式图形，以了解指标变量和预测变量之间的依赖性。
它可以用于剖析和可视化统计，财务，商业和迷信数据，以生成明晰明了的图形，子图，热图，3D图表等。
这是使Ploty成为最佳可视化库之一的配置列表：
它具备30多种图表类型，包括3D图表，迷信和统计图，SVG地图等，以成功明晰的可视化。
借助Ploty的Python API，您可以创立由图表，图形，文本和Web图像组成的公共/私有仪表板。
经常使用Ploty创立的可视化以JSON格局序列化，因此您可以在R，MATLAB，Julia等不同平台上轻松访问它们。
它带有一个称为Plotly Grid的内置API，该API可让您间接将数据导入Ploty环境。
Bokeh
Bokeh是Python中交互性最强的库之一，可用于为Web阅读器构建形容性的图形表示方式。
它可以轻松处置庞大的数据集并构建通用图，从而有助于口头宽泛的EDA。
Bokeh提供定义最完善的配置，以构建交互式绘图，仪表板和数据运行程序。
这是Bokeh的配置列表：
经常使用繁难的命令协助您极速创立复杂的统计图支持HTML，笔记本和主机方式的输入。
它还支持多种言语绑定，包括R，Python，lua，Julia等。
Flask和django也与Bokeh集成在一同，因此您也可以在这些运行程序上表白可视化成果它提供了对转换为其余库（如matplotlib，seaborn，ggplot等）中编写的可视化文件的支持因此，这些是用于数据可视化的最有用的Python库。
如今，让咱们探讨用于成功整个机器学习环节的顶级Python库。
机器学习
创立可以准确预测结果或处置特定疑问的机器学习模型是任何数据迷信名目中最关键的局部。
实施ML，DL等触及对数千行代码启动编码，当您要创立经过神经网络处置复杂疑问的模型时，这或许变得愈加费事。
但值得庆幸的是，咱们无需编写任何算法，由于Python随附了多个软件包，仅用于成功机器学习技术和算法。
在此博客中，咱们将重点引见提供内置函数以成功一切ML算法的顶级ML软件包。
以下是用于机器学习的顶级Python库的列表：
Scikit-learnXGBoostElI5Scikit-learn
Scikit-learn是最有用的Python库之一，是用于数据建模和模型评价的最佳库。
它附带了有数配置，其惟一目的是创立模型。
它蕴含一切有监视的和无监视的机器学习算法，并且还具备用于汇合学习和促成机器学习的定义明白的配置。
以下是Scikit学习的配置列表：
提供一组规范数据集，以协助您开局经常使用机器学习。
例如，驰名的Iris数据集和Boston House Price数据集是Scikit-learn库的一局部。
用于口头有监视和无监视机器学习的内置方法。
这包括处置，聚类，分类，回归和意外检测疑问。
带有用于特色提取和特色选用的内置配置，可协助识别数据中的关键属性。
它提供了口头交叉验证以评价模型性能的方法，还提供了用于优化模型性能的参数调整配置。
XGBoost
XGBoost代表“极其梯度增强”，它是口头Boosting Machine Learning的最佳Python软件包之一。
诸如LightGBM和CatBoost之类的库也雷同装备了定义明白的配置和方法。
建设该库的关键目的是成功梯度优化机，该梯度优化机用于提高机器学习模型的性能和准确性。
以下是其一些关键配置：
该库最后是用C ++编写的，被以为是提高机器学习模型性能的最快，有效的库之一。
外围的XGBoost算法是可并行化的，并且可以有效地利用多核计算机的配置。
这也使该库足够弱小，可以处置少量数据集并跨数据集网络上班。
提供用于口头交叉验证，参数调整，正则化，处置缺失值的外部参数，还提供scikit-learn兼容的API。
该库经常在顶级的数据迷信和机器学习比赛中经常使用，由于它不时被证实优于其余算法。
ElI5
ELI5是另一个Python库，关键努力于改善机器学习模型的性能。
该库相对较新，通常与XGBoost，LightGBM，CatBoost等一同经常使用，以提高机器学习模型的准确性。
以下是其一些关键配置：
提供与Scikit-learn软件包的集成，以表白配置关键性并解释决策树和基于树的集成的预测。
它剖析并解释了XGBClassifier，XGBRegressor，LGBMClassifier，LGBMRegressor，CatBoostClassifier，CatBoostRegressor和catboost所做的预测。
它提供了对成功多种算法的支持，以便审核黑盒模型，其中包括TextExplainer模块，该模块可让您解释由文本分类器做出的预测。
它有助于剖析包括线性回归器和分类器在内的scikit学习通用线性模型（GLM）的权重和预测。
深度学习
机器学习和人工智能的最大提高是经过深度学习。
随着深度学习的引见，如今可以构建复杂的模型并处置庞大的数据集。
幸运的是，Python提供了最好的深度学习软件包，可协助构建有效的神经网络。
在此博客中，咱们将专一于提供用于成功复杂的神经网络的内置配置的顶级深度学习软件包。
以下是用于深度学习的顶级Python库的列表：
TensorFlowPytorchKerasTensorFlow
TensorFlow是用于深度学习的最佳Python库之一，是一个用于跨各种义务启动数据流编程的开源库。
它是一个符号数学库，用于构建弱小而准确的神经网络。
它提供了直观的多平台编程界面，可在宽广的畛域中成功高度裁减。
以下是TensorFlow的一些关键配置：
它准许您构建和训练多个神经网络，以协助顺应大型名目和数据集。
除支持神经网络外，它还提供口头统计剖析的配置和方法。
例如，它带有用于创立概率模型和贝叶斯网络（例如伯努利，Chi2，Uniform，Gamma等）的内置配置。
该库提供了分层的组件，这些组件可以对权重和偏向口头分层的操作，并且还可以经过实施正则化技术（例如批规范化，丢包等）来提高模型的性能。
它带有一个称为TensorBoard的可视化程序，该可视化程序创立交互式图形和可视化图形以了解数据配置的依赖性。
Pytorch
Pytorch是一个基于Python的开源迷信计算软件包，用于在大型数据集上实施深度学习技术和神经网络。
Facebook踊跃地经常使用此库来开发神经网络，以协助成功各种义务，例如面部识别和智能标志。
以下是Pytorch的一些关键配置：
提供易于经常使用的API与其余数据迷信和机器学习框架集成。
与NumPy一样，Pytorch提供了称为Tensors的多维数组，与NumPy不同，它甚至可以在GPU上经常使用。
它不只可以用于对大型神经网络启动建模，而且还提供了一个界面，具备200多种用于统计剖析的数学运算。
创立灵活计算图，以在代码口头的每个点建设灵活图。
这些图有助于期间序列剖析，同时实时预测开售量。
Keras
Keras被以为是Python中最好的深度学习库之一。
它为构建，剖析，评价和改良神经网络提供片面支持。
Keras基于Theano和TensorFlow Python库构建，该库提供了用于构建复杂的大规模深度学习模型的附加配置。
以下是Keras的一些关键配置：
为构建一切类型的神经网络提供支持，即齐全衔接，卷积，池化，循环，嵌入等。
关于大型数据集和疑问，可以将这些模型进一步组合以创立完整的神经网络它具备口头神经网络计算的内置配置，例如定义层，指标，激活配置，优化器和少量工具，使处置图像和文本数据愈加容易。
它带有一些预处置的数据集和经过训练的模型，包括MNIST，VGG，Inception，SqueezeNet，ResNet等。
它易于裁减，并支持减少包括配置和方法的新模块。
人造言语处置
您能否曾经想过Google如何失外地预测您要搜查的内容？Alexa，Siri和其余聊天机器人面前的技术是人造言语处置。
NLP在设计基于AI的系统中施展了渺小作用，该系统有助于形容人类言语与计算机之间的交互。
在此博客中，咱们将重点引见提供内置配置以成功基于初级AI的系统的顶级人造言语处置包。
这是用于人造言语处置的顶级Python库的列表：
NLTKspaCyGensimNLTK（人造言语工具包）
NLTK被以为是剖析人类言语和行为的最佳Python软件包。
NLTK库是大少数数据迷信家的首选，它提供易于经常使用的界面，其中蕴含50多种语料库和词汇资源，有助于形容人与人之间的互动以及构建基于AI的系统（例如介绍引擎）。
这是NLTK库的一些关键配置：
提供一套数据和文本处置方法，用于文本剖析的分类，标志化，词干，标志，解析和语义推理。
蕴含用于工业级NLP库的包装器，以构建复杂的系统，以协助启动文本分类并查找人类语音的行为趋向和形式它带无形容计算言语学成功的综合指南和完整的API文档指南，可协助一切新手开局经常使用NLP。
它领有庞大的用户和专业人员社区，它们提供片面的教程和极速指南，以学习如何经常使用Python启动计算言语学。
spaCy
spaCy是一个收费的开源Python库，用于成功初级人造言语处置（NLP）技术。
当您处置少量文本时，关键的是要了解文本的外形学意义以及如何将其分类以了解人类言语。
经过spaCY可以轻松成功这些义务。
这是spaCY库的一些关键配置：
除了言语计算外，spaCy还提供了独自的模块来构建，训练和测试统计模型，从而更好地协助您了解单词的含意。
带有各种内置的言语注释，可协助您剖析句子的语法结构。
这不只要助于了解测试，还有助于查找句子中不同单词之间的相关。
它可用于对蕴含缩写和多个标点符号的复杂嵌套令牌运行令牌化。
除了十分弱小和极速之外，spaCy还提供对51种以上言语的支持。
Gensim
Gensim是另一个开源Python软件包，其建模旨在从大型文档和文本中提取语义主题，以经过统计模型和言语计算来处置，剖析和预测人类行为。
无论数据是原始数据还是非结构化数据，它都有才干处置庞大的数据。
以下是Genism的一些关键配置：
它可用于构建可经过了解每个单词的统计语义来有效分类文档的模型。
它带有诸如Word2Vec，FastText，潜在语义剖析之类的文本处置算法，这些算法钻研文档中的统计共现形式，以过滤掉不用要的单词并构建仅具备关键配置的模型。
提供可以导入并支持各种数据格局的I / O包装器和读取器。
它具备繁难直观的界面，可供初学者轻松经常使用。
API学习曲线也很低，这解释了为什么许多开发人员青睐此库。
卷积神经网络结构——LeNet-5（卷积神经网络入门，Keras代码成功）
要深化了解卷积神经网络的结构，咱们须要追根溯源，只要这样才干更好的了解 CNN 网络。
1998年 LeCun 和 Bengio 等人应用 LeNet-5 网络在手写体数字识别畛域上的识别成果超越了传统方法，从此开启了卷积神经网络的在图像上的运行大门。
听说，一开局美国银行的手写体数字识别就是用的这个算法。
Gradient -Based Learing Applied to Document Recognition论文有点长，46页，预计很难读上去。
LeCun 做了一些网页展现，有兴味可以去阅读。
https:///uestcsongtaoli/LeNet-5 上图是 LeCun 原论文中 LeNet-5 的结构图。
图神经网络pytorch库(图神经网络keras)
GNN——图网络相关常识整顿
GNN是对坚持图对称性(置换不变性)的图的一切属性(节点、边、全局高低文)的可优化变换。
咱们将经常使用Gilmer等人提出的“信息传递神经网络”框架构建GNN，并经常使用Battaglia等人引见的图网络网络架构示用意。
“狗男女”一梗是源于陈翔，在2016年8月16日晚发微博“GNN”并且配图《水浒传》，一张是武松举刀杀敌，一张是武大郎、西门庆、潘金莲，疑似暗讽王宝强前妻马蓉和经纪人宋喆的不合理相关，指摘两人为狗男女。
GNN是一种衔接模型，经过网络中节点之间的信息传递的方式来失掉图中的依存相关，GNN经过从节点恣意深度的街坊来降级该节点形态，这个形态能够表示形态信息。
关于GNN模型，咱们引入了按图类型，流传类型和训练类型分类的变体。
1、-是的，pytorch是一个十分好的强化学习平台，它有一些十分棒的框架用于强化学习，如OpenAIGym，Universe，Tensorflow等。
您可以经常使用这些框架来构建强化学习模型，并经常使用pytorch优化器来训练它们。
2、PyTorch和TensorFlow都很好，各有所长。
PyTorch和TensorFlow是目前最干流的两个深度学习框架，绝大少数钻研者会选用PyTorch或许TensorFlow启动深度学习的入门学习。
3、pytorch灵活计算图有什么好处数据计算Torch自称为神经网络界的Numpy，由于他能将torch发生的tensor放在GPU中减速运算(前提是你有适合的GPU)，就像Numpy会把array放在CPU中减速运算。
4、基于大数据剖析和深度学习而开展进去的人工智能实质上曾经不可退出python的支持，目前环球低劣的人工智能学习框架如Google的TransorFlow、FaceBook的PyTorch以及开源社区的神经网络库Karas等是用python成功的。
5、Pytorch是机器学习和Python上的收费软件包，十分易于经常使用。
语法模拟numpy，因此，假设你在python中有一些迷信计算阅历，那么会相当有用的。
如何用PyTorch成功递归神经网络
1、第一步：创立模型，模型蕴含两局部，第一局部是Pytorch提供的RNN层，第二局部是一个全衔接层，用于将RNN的输入转换成输入指标的维度。
2、人脸检测和识别网络包括：FaceBoxes、LFFD、VarGFaceNet。
人体姿态识别网络包括：StackedHourglass、NetworksSimpleBaselines、LPN。
3、一个全衔接ReLU神经网络，一个暗藏层，没有bias。
用来从x预测y，经常使用L2Loss。
这一成功齐全经常使用numpy来计算前向神经网络，loss，和反向流传。
咱们经常使用PyTorchtensors来创立前向神经网络，计算损失，以及反向流传。
4、skip_grams中每行的第二列取进去存起来即可最后第三步就是构建dataset，而后定义DataLoader模型架构图：留意，隐层的激活函数是线性的，相当于没做任何处置。
5、input就是shape=(seq_length，batch_size，input_size)的张量ht是shape=(num_layers*num_directions，batch_size，hidden_size)的张量，它蕴含了在以后这个batch_size中每个句子的初始暗藏形态。
其中num_layers就是LSTM的层数。
1、名目名叫Pytorch，模块名叫torch，这个疑问没有为什么，开发者就是这么定义的。
就跟OpenCV一样名目名叫OpenCV，模块名叫cv2。
名目名叫Pillow，模块名叫PIL。
2、pytorch不是anaconda自带的。
anaconda自带sklearn用于机器学习，然而没有自带pytorch用于深度学习，所以须要自己操作一下，装置pytorch。
首先，假定咱们曾经装置好了anaconda，那么咱们就能经常使用conda来装置pytorch。
3、作者，科技猛兽编辑，极市平台这篇文章从运行的角度登程，引见DP和DDP区分在什么状况下经常使用，以及各自的经常使用方法。
以及DDP的保留和加载模型的战略，和如何同时经常使用DDP和模型并行(modelparallel)。
4、pytorch灵活计算图有什么好处数据计算Torch自称为神经网络界的Numpy，由于他能将torch发生的tensor放在GPU中减速运算(前提是你有适合的GPU)，就像Numpy会把array放在CPU中减速运算。
5、三个档次。
pytorch数据结构上的形象是：tensor-variable-net三个档次。
基本上应用variable和net这个档次就能够很繁难的成功网络了Tensor。
6、明敏发自凹非寺量子位报道|群众号QbitAI究竟是怎么的一个bug，能让95%的Pytorch库中招，就连特斯拉AI总监深受困扰？还别说，这个bug虽小，但有够“狡诈”的。
一文详解图神经网络(二)
卷积神经网络与个别神经网络的区别在于，卷积神经网络蕴含了一个由卷积层和子采样层造成的特色抽取器。
在卷积神经网络的卷积层中，一个神经元只与局部邻层神经元衔接。
图神经网络就是专门用来处置图数据的神经网络架构。
详细来说，会给定图的每个邻接矩阵和节点特色，经过将这两个输入启动某种图上的映射。
从而失掉每个节点下一层的特色。
②单个神经元：线性可分的状况下，实质是一条直线，，这条直线将数据划分为两类。
而线性分类器自身就是一个单层神经网络。
③神经网络：非线性可分的状况下，神经网络经过多个隐层的方法来成功非线性的函数。
1、Python和pycharm是不一样的，二者有实质的区别。
Python是一门计算机程序设计言语；而pycharm是一款集成开发环境，是用来辅佐开发的，所以两者是不一样的。
2、它们的下载地址和装置的方式不同。
python是一种基本编译环境，就像java和jar一样。
pycharm是一种集成开发环境，为了能够让你极速编写代码，便于调试。
3、PyTorch实质上是Numpy的代替者，而且支持GPU、带有初级配置，可以用来搭建和训练深度神经网络。
假设你相熟Numpy、Python以及经常出现的深度学习概念（卷积层、循环层、SGD等），会十分容易上手PyTorch。
4、pycharm和python区别：首先它们的下载地址和装置的方式不同。
python是一种基本编译环境，就像java和jar一样。
pycharm是一种集成开发环境，为了能够让你极速编写代码，便于调试。
phper