doc: update pytorch.md #138

README.md

@@ -26,8 +26,8 @@ Quick Reference
 [FFmpeg](./docs/ffmpeg.md)<!--rehype:style=background: rgb(0 193 9/var(\-\-bg\-opacity));&class=contributing-->
 [LaTeX](./docs/latex.md)<!--rehype:style=background: rgb(0 128 128/var(\-\-bg\-opacity));&class=contributing-->
 [MATLAB](./docs/matlab.md)<!--rehype:style=background: rgb(0 118 168/var(\-\-bg\-opacity));&class=contributing-->
-[Vue 3 ](./docs/vue.md)<!--rehype:style=background: rgb(64 184 131/var(\-\-bg\-opacity));&class=contributing-->
+[Vue 3](./docs/vue.md)<!--rehype:style=background: rgb(64 184 131/var(\-\-bg\-opacity));&class=contributing-->
-[Pytorch](./docs/pytorch.md)<!--rehype:style=background: rgb(43 91 132/var(\-\-bg\-opacity));&class=contributing&data-info=👆看看还缺点儿什么？-->
+[Pytorch](./docs/pytorch.md)<!--rehype:style=background: rgb(238 76 44/var(\-\-bg\-opacity));&class=contributing tag&data-lang=Python&data-info=👆看看还缺点儿什么？-->
 <!--rehype:class=home-card-->
 
 ## 编程

docs/pytorch.md

@@ -1,31 +1,35 @@
 Pytorch  备忘清单
 ===
 
-Pytorch 备忘单是 [Pytorch ](https://pytorch.org/) 官网
+Pytorch 是一种开源机器学习框架，可加速从研究原型设计到生产部署的过程，备忘单是  官网
+备忘清单为您提供了 [Pytorch](https://pytorch.org/) 基本语法和初步应用参考
 
 入门
 -----
 
 ### 介绍
 
-- [Pytorch基本语法]
+- [Pytorch 官网](https://pytorch.org/) _(pytorch.org)_
-- [Pytorch初步应用]
+- [Pytorch 官方备忘清单](https://pytorch.org/tutorials/beginner/ptcheat.html) _(pytorch.org)_
 
-### 认识Pytorch
+### 认识 Pytorch
 
 ```python
 from __future__ import print_function
 import torch
 x = torch.empty(5, 3)
 >>> print(x)
-tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19],
+tensor([
-        [1.5163e+23, 2.2012e+12, 3.7899e+22],
+    [2.4835e+27, 2.5428e+30, 1.0877e-19],
-        [5.2480e+05, 1.0175e+31, 9.7056e+24],
+    [1.5163e+23, 2.2012e+12, 3.7899e+22],
-        [1.6283e+32, 3.7913e+22, 3.9653e+28],
+    [5.2480e+05, 1.0175e+31, 9.7056e+24],
-        [1.0876e-19, 6.2027e+26, 2.3685e+21]])
+    [1.6283e+32, 3.7913e+22, 3.9653e+28],
+    [1.0876e-19, 6.2027e+26, 2.3685e+21]
+])
 ```
+<!--rehype:className=wrap-text-->
 
-Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.
+Tensors 张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.
 
 ### 创建一个全零矩阵
 
@@ -49,10 +53,10 @@ x = torch.tensor([2.5, 3.5])
 tensor([2.5000, 3.3000])
 ```
 
-Pytorch的基本语法
+Pytorch 的基本语法
 ---------------
 
-### 加法操作
+### 加法操作(1)
 
 ```python
 y = torch.rand(5, 3)
@@ -64,9 +68,7 @@ tensor([[ 1.6978, -1.6979,  0.3093],
         [ 2.6784,  0.1209,  1.5542]])
 ```
 
-第一种加法操作
+### 加法操作(2)
-
-### 加法操作
 
 ```python
 >>> print(torch.add(x, y))
@@ -77,9 +79,7 @@ tensor([[ 1.6978, -1.6979,  0.3093],
         [ 2.6784,  0.1209,  1.5542]])
 ```
 
-第二种加法操作
+### 加法操作(3)
-
-### 加法操作
 
 ```python
 # 提前设定一个空的张量
@@ -94,10 +94,7 @@ tensor([[ 1.6978, -1.6979,  0.3093],
         [ 2.6784,  0.1209,  1.5542]])
 ```
 
-第三种加法操作
+### 加法操作(4)
-
-
-### 加法操作
 
 ```python
 y.add_(x)
@@ -109,17 +106,16 @@ tensor([[ 1.6978, -1.6979,  0.3093],
         [ 2.6784,  0.1209,  1.5542]])
 ```
 
-第四种加法操作
+注意: 所有 `in-place` 的操作函数都有一个下划线的后缀。
-注意:所有in-place的操作函数都有一个下划线的后缀.
+比如 `x.copy_(y)`, `x.add_(y)`, 都会直接改变x的值
-比如x.copy_(y), x.add_(y), 都会直接改变x的值.
 
 ### 张量操作
 
 ```python
-
 >>> print(x[:, 1])
 tensor([-2.0902, -0.4489, -0.1441,  0.8035, -0.8341])
 ```
+<!--rehype:className=wrap-text-->
 
 ### 张量形状
 
@@ -132,6 +128,7 @@ z = x.view(-1, 8)
 >>> print(x.size(), y.size(), z.size())
 torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
 ```
+<!--rehype:className=wrap-text-->
 
 ### 取张量元素
 
@@ -143,8 +140,7 @@ tensor([-0.3531])
 -0.3530771732330322
 ```
 
-
+### Torch Tensor 和 Numpy array互换
-### Torch Tensor和Numpy array互换
 
 ```python
 a = torch.ones(5)
@@ -154,7 +150,7 @@ tensor([1., 1., 1., 1., 1.])
 
 Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变
 
-### Torch Tensor转换为Numpy array
+### Torch Tensor 转换为 Numpy array
 
 ```python
 b = a.numpy()
@@ -162,7 +158,7 @@ b = a.numpy()
 [1. 1. 1. 1. 1.]
 ```
 
-### Numpy array转换为Torch Tensor:
+### Numpy array转换为Torch Tensor
 
 ```python
 import numpy as np
@@ -174,4 +170,94 @@ np.add(a, 1, out=a)
 [2. 2. 2. 2. 2.]
 tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
 ```
-注意:所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.
+<!--rehype:className=wrap-text-->
+
+注意: 所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.
+
+导入 Imports
+---
+
+### 一般
+
+```python
+# 根包
+import torch
+# 数据集表示和加载
+from torch.utils.data import Dataset, DataLoader
+```
+<!--rehype:className=wrap-text-->
+
+### 神经网络 API
+
+```python
+# 计算图
+import torch.autograd as autograd
+# 计算图中的张量节点
+from torch import Tensor
+# 神经网络
+import torch.nn as nn
+# 层、激活等
+import torch.nn.functional as F
+# 优化器，例如 梯度下降、ADAM等
+import torch.optim as optim
+# 混合前端装饰器和跟踪 jit
+from torch.jit import script, trace
+```
+
+### Torchscript 和 JIT
+
+```python
+torch.jit.trace()
+```
+
+使用你的模块或函数和一个例子，数据输入，并追溯计算步骤，数据在模型中前进时遇到的情况
+
+```python
+@script
+```
+
+装饰器用于指示被跟踪代码中的数据相关控制流
+
+### ONNX
+
+```python
+torch.onnx.export(model, dummy data, xxxx.proto)
+# 导出 ONNX 格式
+# 使用经过训练的模型模型，dummy
+# 数据和所需的文件名
+
+model = onnx.load("alexnet.proto")
+# 加载 ONNX 模型
+onnx.checker.check_model(model)
+# 检查模型，IT 是否结构良好
+
+onnx.helper.printable_graph(model.graph)
+# 打印一个人类可读的，图的表示
+```
+<!--rehype:className=wrap-text-->
+
+### Vision
+
+```python
+# 视觉数据集，架构 & 变换
+from torchvision import datasets, models, transforms
+# 组合转换
+import torchvision.transforms as transforms
+```
+<!--rehype:className=wrap-text-->
+
+### 分布式训练
+
+```python
+# 分布式通信
+import torch.distributed as dist
+# 内存共享进程
+from torch.multiprocessing import Process
+```
+<!--rehype:className=wrap-text-->
+
+另见
+---
+
+- [Pytorch 官网](https://pytorch.org/) _(pytorch.org)_
+- [Pytorch 官方备忘清单](https://pytorch.org/tutorials/beginner/ptcheat.html) _(pytorch.org)_

scripts/assets/pytorch.svg

@@ -0,0 +1,3 @@
+<svg viewBox="0 0 24 24" fill="currentColor" xmlns="http://www.w3.org/2000/svg" height="1em" width="1em">
+  <path d="M12.005 0 4.952 7.053a9.865 9.865 0 0 0 0 14.022 9.866 9.866 0 0 0 14.022 0c3.984-3.9 3.986-10.205.085-14.023l-1.744 1.743c2.904 2.905 2.904 7.634 0 10.538s-7.634 2.904-10.538 0-2.904-7.634 0-10.538l4.647-4.646.582-.665zm3.568 3.899a1.327 1.327 0 0 0-1.327 1.327 1.327 1.327 0 0 0 1.327 1.328A1.327 1.327 0 0 0 16.9 5.226 1.327 1.327 0 0 0 15.573 3.9z"/>
+</svg>