pytorch训练好的模型去检测 想学习pytorch，需要先学习python吗？

想学习pytorch，需要先学习python吗？

Python是目前非常流行的深度学习框架。如果你想学习它，你最好先学习一些Python编程基础，因为很多使用Python的代码都是用Python开发的。在学习了一些Python之后，奠定了一个很好的基础，它将帮助你理解和学习Python。在建房子之前打好基础是事实。

网上有很多关于Python的免费教程。在今天的文章中，我写了一篇关于学习python的文章。在理解了python的一些基本语法之后，我可以编写和运行一些简单的python程序，然后我就可以开始学习python了。在其官方网站上有一个学习教程供参考：http:http:www.python.com//pytorch.org/tutorials/

PyTorch和Gluon有什么区别？

两者都是深度学习平台，可用于卷积神经网络、RNN等深度学习模型的建立、训练、学习等工作。

首先，不同的公司提供支持。Python来自Facebook，glion来自Amazon。

那么，类型定位就不同了。如果详细划分，Python是一个灵活的后端深度学习平台，tensorflow和mxnet被视为一种类型，glion是一个高度集成的前端平台，keras是一种类型。也就是说，glion的一个函数或对象集成了mxnet的多个功能，glion的一个命令就可以完成mxnet的开发，就像keras使用tensorflow作为后端一样，keras高度集成了这些后端平台的功能。

其次，编程方法，Python是基于命令编程的，简单但速度有限，glion结合了符号编程和命令编程，既快又简单。

最后，灵活性。Python的集成度没有glion那么高，所以它是高度可定制的。胶子的集成度太高，灵活性有限。

面对Tensorflow，为何我选择PyTorch？

让我们从Python的缺点开始。python自发布以来，在学术界实际生产中的应用比工业界多，主要原因是它不够成熟，很多接口不稳定，综合性不够。Tensorflow仍有许多Python不支持的功能，如快速傅立叶变换，但随着Python的发展，这一缺点将逐渐减少。另外，与tensorflow的静态图相比，tensorflow的静态图很容易部署到任何地方（这比许多框架都要好得多），Python的深度学习框架比Python更先进，部署到其他产品上会非常不方便。

优势从一开始就有。尽管tensorflow自2015年发布以来受到了许多方面的青睐，比如theano，但tensorflow使用的是静态计算图。对于新手来说，有太多的新概念需要学习。因此，无论如何开始或构建，使用tensorflow都比python更困难。2017年，Python被团队开放源码的一个主要原因是更容易构建深度学习模型，这使得Python发展非常迅速。在数据加载方面，Python用于加载数据的API简单高效。它的面向对象API来自于porch（这也是keras的设计起源），它比tensorflow的困难API友好得多。用户可以专注于实现自己的想法，而不是被框架本身所束缚。

在速度方面，python不会为了灵活性而放弃速度。虽然运行速度与程序员的水平密切相关，但在相同的情况下，它可能比其他框架更好。另外，如果追求自定义扩展，python也会是首选，因为虽然两者的构造和绑定有一些相似之处，但tensorflow在扩展中需要大量的模板代码，而只有接口和实现是python编写的。

pytorch训练好的模型去检测 pytorch模型部署方案 pytorch加载模型继续训练

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。