自从2017年1月Facebook发布PyTorch后，这个用来挑战Tensorflow的深度学习库的用户数一直都在增加。PyTorch是基于老牌经典学习库(Torch)进行开发的，除了Python语言的易用性，PyTorch本身也提供了很多令人欣喜的功能，比如“dynamic computational graph”之类。接下来就和我一起开始PyTorch的学习之旅。
目前来说Pytorch只支持Linux和OSX两个平台，所以我选择Ubuntu12.04来进行PyTorch的安装和使用。
选择Anaconda进行Python安装，更轻松，很多第三方库包括matplotlib, numpy, scipy都已经配置好。其实你仔细去看看anaconda安装目录下的site-packages，会发现很多好玩的东西，比如开源的机器学习平台sklearn。
为了解决访问国外网站速度慢的问题，我们选择国内清华大学的tuna镜像，先下载安装包：
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/TUNA 还提供了 Anaconda仓库的镜像，运行以下命令之后，就可以从TUNA镜像源下载所需要的第三方包，速度再也不是蜗牛了。
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes同时需要在~/.condarc中把- defaults那行删除，这样每次安装新的软件包就会从TUNA镜像下载。
相信我，如果按照PyTorch官方的“简单愉快”的方法去安装，是不可能的，从conda下面访问资源的速度很慢，试了几次还是不行。
## PyTorch官网提供的安装方法 conda install pytorch torchvision -c soumith那么最后还有一个选择，install from source，果断在GitHub上找到PyTorch的repository:
https://github.com/pytorch/pytorch接下来需要做的就是将PyTorch最新的源代码取到本地：
gitclone https://github.com/pytorch/pytorch.gitPS：这一步很重要，如果是选择download zip的方式下载PyTorch的源代码，在进行编译安装时会报错，所以这一步请务必选用gitclone下载代码。
根据PyTorch源代码的readme中的安装步骤，我们要先配置环境变量CMAKE_PREFIX_PATH，打开~/.bashrc输入：
export CMAKE_PREFIX_PATH=[anaconda root directory]其中“[anaconda root directory]”指的是Anaconda的安装文件夹下的bin文件夹。在我的Ubuntu12.04上，安装路径如下：
export CMAKE_PREFIX_PATH=/home/wblgers/anaconda3/bin另外由于我的GPU不支持CUDA，只能安装CPU部分，所以还需要设置环境变量NO_CUDA为1：
export NO_CUDA=1在完成上述两个环境变量配置后需要记得这一步，使环境变量生效：
source .bashrc然后，我们需要安装PyTorch的依赖库：
conda install numpy pyyaml mkl setuptools cmake gcc cffi最后，一切准备就绪！马上进入愉快的编译安装过程：
python setup.py install大概十分钟左右，提示安装成功，马上进入Python试一试：
Python 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul 2 2016, 17:53:06) [GCC 4.4.7 20120313 (Red Hat 4.4.7-1)] on linux Type "help", "copyright", "credits" or "license" for more information. >>> import torch >>> x = torch.rand(5,3) >>> print(x) 0.0592 0.4292 0.5637 0.6365 0.2012 0.5649 0.2594 0.8850 0.5157 0.0689 0.4914 0.8834 0.3978 0.7032 0.6879 [torch.FloatTensor of size 5x3]可以看到import torch可以成功，表示PyTorch的安装完成！仔细一看PyTorch里面的数据操作和Matlab挺像的，方便上手。
TorchVision为PyTorch提供视频和图像方面的支持，包括数据库和模型等。安装好了之后可以很方便地导入很多图像数据库，比如cifar-10。下载地址为：
https://pypi.python.org/pypi/torchvision/0.1.8我们点击Download下载whl文件，然后在Anaconda的环境中启动pip进行安装：
pip install torchvision-0.1.8-py2.py3-none-any.whl至此，TorchVision就已经安装成功！
PyTorch官网的入门教程中有一个有关图像分类的，我们尝试着完成这个教程：
http://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html在页面的最下面有代码的下载链接，选择下载“cifar10_tutorial.py”，直接在终端中运行程序：
python cifar10_tutorial.py出现以下提示，正在下载cifar10数据库。
Downloading http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz to ./data/cifar-10-python.tar.gz等了很久还是没下载好，我选择用其他下载工具譬如迅雷，直接下载cifar-10-python.tar.gz，大小接近180M，怪不得这么久。
然后在data文件夹里，对数据库解压：
tar -xzvf cifar-10-python.tar.gz解压好了再选择运行代码cifar10_tutorial.py，提示数据验证通过：
Files already downloaded and verified Files already downloaded and verified接下来就是train和test的输出：
[1, 2000] loss: 2.223 [1, 4000] loss: 1.853 [1, 6000] loss: 1.694 [1, 8000] loss: 1.592 [1, 10000] loss: 1.521 [1, 12000] loss: 1.472 [2, 2000] loss: 1.392 [2, 4000] loss: 1.359 [2, 6000] loss: 1.335 [2, 8000] loss: 1.313 [2, 10000] loss: 1.316 [2, 12000] loss: 1.276 Finished Training GroundTruth: cat ship ship plane Predicted: frog ship ship ship Accuracy of the network on the 10000 test images: 53 % Accuracy of plane : 32 % Accuracy of car : 75 % Accuracy of bird : 51 % Accuracy of cat : 19 % Accuracy of deer : 49 % Accuracy of dog : 28 % Accuracy of frog : 70 % Accuracy of horse : 68 % Accuracy of ship : 80 % Accuracy of truck : 56 %结果和PyTorch的官方tutorial差不多，运行成功！
至此，PyTorch的安装、环境搭建以及安装后的代码测试就全部完成。按照这个步骤，相信你也可以很快开始PyTorch的开发！
