开源深度学习框架

装置软件

装置Python2.7、PyCharm、pip（Python包治理工具）、Django（pipinstallDjango）

部署

PyCharm新建Django工程

成功后，其目录如下：

子目录MyDjangoProject下示意工程的全局性能，区分为、和,其中包括了系统的数据库性能、运行性能和其余性能，则

示意web工程Url映射的性能。

子目录student则是在该工程下创立的app，蕴含了、和等文件

templates目录则为模板文件的目录

是Django提供的一个治理工具，可以同步数据库等等

启动

创立成功后，就可以反常启动了。点击Run按钮，启动时报错了：

Traceback(mostrecentcalllast):

FileD:/workspace/MyDjangoProject/,line10,inmodule

execute_from_command_line()

FileD:\Python27\lib\site-packages\django\core\management\__init__,line338,inexecute_from_command_line

FileD:\Python27\lib\site-packages\django\core\management\__init__,line312,inexecute

FileD:\Python27\lib\site-packages\django\__init__,line18,insetup

FileD:\Python27\lib\site-packages\django\apps\,line89,inpopulate

duplicates:%s%app_)

:Applicationlabelsarentunique,duplicates:admin

应该是admin性能抵触了，关上文件，发现admin性能重复了

INSTALLED_APPS=(

注释掉其中一行后（为什么会有这个疑问，预计是个bug），从新启动，ok

web工程减少页面

此时，咱们尚没有写一行代码，程序就duang跑起来了!快减少一个HelloWorld的页面吧。

关上student/文件，输入以下内容

defsayHello(request):

s=HelloWorld!

current_time=()

html=htmlhead/headbodyh1%s/h1p%s/p/body/html%(s,current_time)

returnHttpResponse(html)

关上文件，须要启动url映射的性能：

url(r^student/,sayHello)

当用户输入时，便会调用sayHello方法，该方法经过HttpResponse()将页面内容作为照应前往。

重启服务，访问

在页面可以将页面须要的元素经过字符串的方式，调用HttpResponse()类作为照应前往到阅读器。

但这样，页面逻辑和页面混合在一同，手写起来很繁琐，上班量比拟大。

假设咱们须要展现一些灵活的数据，而页面基本不扭转的状况下，该怎样做呢？

比如在用户访问时，咱们想灵活展现一些在校生的数据。可以这样做：

首先在templates目录下，新建文件，该文件作为模板，内容如下：

!DOCTYPEhtml

title/title

{%forstudentinstudents%}

id:{{}},姓名：{{}},age:{{}}

{%endfor%}

修正文件，减少方法showStudents()

defshowStudents(request):

list=[{id:1,name:Jack},{id:2,name:Rose}]

returnrender_to_response(,{students:list})

该方法将list作为灵活数据，经过render_to_response方法绑定到模板页面上。

减少url映射，url(r^showStudents/$,showStudents)

修正模板性能：DIRS:[BASE_DIR+r\templates],

重启服务，访问，发生：

至此，咱们已可以反常将一些“灵活”数据绑定到模板上了。然而怎样样访问数据库呢？

从数据库失掉须要的数据，展如今页面上？

首先须要装置数据库驱动啦，即mysql_python，

接着性能数据库衔接：

>pytorch究竟好用在哪里?

PyTorch的优越性关键体如今以下几个方面。

首先，PyTorch在模型定义上直观且灵敏。

相比静态图的网络定义，灵活图准许用户随意调用函数，如 if、for、list 等，这种灵敏性为模型定义带来极大的方便性。

与TensorFlow等其余框架相比，PyTorch的模型定义繁复明了，用户很容易了解他人的代码，比如在PyTorch/vision中的经典网络定义，其繁复性简直难以找到逾越者。

其次，PyTorch在模型经常使用上体现杰出。

在预训练模型的微调环节中，PyTorch准许用户繁难地修正、新增或删除模型中的特定层，并可认为不同层设置不同窗习率。

这在成功预训练模型的微调，如知乎看山杯中所用的战略时，只有几行代码就能轻松成功。

再者，PyTorch的代码口头速度理论比TensorFlow更快，特意是在训练大规模模型如Wide ResNet时，PyTorch能展现出清楚长处。

在解决数据加载这一环节，PyTorch雷同体现低劣，这使得全体训练环节更为高效。

PyTorch领有弱小的社区支持，Facebook的FAIR团队为PyTorch提供了强有力的技术和资源支持。

社区中论坛、文档、教程一应俱全，开发者能够取得丰盛的资源和协助。

许多用户对PyTorch的评价极高，这不只仅是由于Facebook的支持或社区的规模，而是PyTorch自身的易用性和高效性。

相比于TensorFlow，虽然谷歌在社区和性能方面也体现杰出，但PyTorch在实践运行中的体现更为突出，更容易让开发者发生好感。

此外，PyTorch的代码可读性极强，简直在一切框架中是最易于了解的。

其外围API如``提供了对模型对象的封装，使得模型构建环节变得繁难直观。

经过检查这些源码，开发者能够更深化地理解框架的运转机制，而不只仅是依赖于API的经常使用。

在极速成功方面，PyTorch提供了弱小的支持。

开发者可以轻松地将奇思妙想转化为试验，而无需破费少量期间在代码成功上。

这使得在深度学习钻研和试验中，PyTorch能够监禁更多发明性，减速新想法的验证环节。

最后，关于PyTorch的一些经常出现曲解，例如社区不弱小、文档不完全、不足TensorBoard等，实践上并不成立。

PyTorch领有生动的社区和片面的文档支持，包括与TensorBoard相似性能的库，如lanpa/tensorboard-pytorch，提供了弱小的可视化支持。

此外，性能方面，PyTorch在等同水平的用户编写代码时，理论能展现出与TensorFlow相媲美的效率，虽然在特定状况下，如高度优化的TensorFlow代码，性能或者稍逊一筹。

总之，PyTorch在模型定义、经常使用、社区支持、代码可读性以及极速成功方面体现杰出，使得它成为深度学习畛域中一个十分受欢迎的工具。

无论是在学术钻研还是工业运行中，PyTorch都展现出了其共同的价值和长处。