目录
1，pytorch和python的区别是什么？
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。 2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：1、具有强大的GPU加速的张量计算（如NumPy）。2、包含自动求导系统的深度神经网络。 PyTorch 是一个基于 Python 的科学计算包，主要定位两类人群： NumPy 的替代品，可以利用 GPU 的性能进行计算。 深度学习研究平台拥有足够的灵活性和速度 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。 python就是一门编程语言
2，pytorch是什么？
PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。 由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch。它是一个基于Python的可续计算包，提供两个高级功能：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。 PyTorch的发展： PyTorch的前身是Torch，其底层和Torch框架一样，但是使用Python重新写了很多内容，不仅更加灵活，支持动态图，而且提供了Python接口。它是由Torch7团队开发，是一个以Python优先的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络。 PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。
3，如何判断pytorch使用了gpu
1、将已经实例化的模型在多个GPU上并行，只需要使用nn.DataParallel(model)方法即可，可用torch.cuda.device_count()检查GPU的个数。 2、nn.DataParallel中的参数有三个，第一个是需要并行的模型，第二个是并行所使用的GPU列表（默认使用所有可用GPU），第三个是模型输出所在的device编号（可以是cpu，默认是GPU0）。 3、为了验证并行效果，我们定义一个打印输入和输出大小的模型，我们使用了2个GPU并行该模型。 4、使用任意一个数据集，在模型输出结果后，我们再打印出输出结果的大小，与模型中的打印结果进行对比。 5、In Model是模型内打印的结果，Outside为模型外打印的结果。对比发现Outside的batch大小为所有In Model之和，代表一个batch的数据被平均分到每个并行的GPU进行计算，之后再合并输出结果。