嗨，我是小壮！

太多人催着让更新pytorch的内容了，我们最近总结了不少东西。

包括实用的一些操作，还有一些总结性的内容。

很多人对pytorch和numpy的边界感是模糊的，咱们今儿就从几方面进行整理和详细的说明。

每块知识点从简单对比到实际代码的对比，值得收藏起来慢慢看~

所有的内容，咱们从下面几个要点进行了对比：

• 深度学习支持： PyTorch专注于深度学习任务，提供了动态计算图和内置的神经网络接口，而NumPy主要用于传统的科学计算，缺深度学习模块。
• 自动微分： PyTorch具有自动微分功能，使得在构建和训练神经网络时更加灵活，而NumPy需要手动计算导数。
• GPU加速： PyTorch内置GPU支持，使得在GPU上进行张量计算和模型训练更为便捷，而NumPy需要额外的库（如CuPy）才能实现GPU加速。
• 模型部署： PyTorch提供了TorchScript和ONNX等工具，便于模型导出和部署，而NumPy通常需要额外的库和手动工作来实现模型的导出和部署。

总之，最显著的一点，就是NumPy主要负责数据的计算，而PyTorch更适用于深度学习任务，提供了更丰富的工具和接口。

具体分为 6 大部分，涉及到：

• 张量计算
• 自动微分
• 深度学习支持
• GPU加速
• 模型部署
• 代码风格

来吧，一起看看~

一、张量计算

• NumPy： 主要用于数组操作，不提供专门的张量计算功能。NumPy数组是静态的，不支持自动微分。
• PyTorch： 提供了动态计算图和自动微分，使其更适合深度学习任务。PyTorch的张量计算功能更灵活，可以轻松构建神经网络模型。

张量计算是PyTorch和NumPy的一个关键方面，因为两者都涉及对多维数组（张量）进行操作。

1. 张量的创建

NumPy:

import numpy as np

# 创建NumPy数组
np_array = np.array([[1, 2, 3], [4, 5, 6]])

# 查看数组属性
print("NumPy Array:")
print(np_array)
print("Shape:", np_array.shape)