介绍
PyTorch是一个开源的机器学习库，广泛用于计算机视觉和自然语言处理等应用。PyTorch提供了丰富的模块，可以方便地构建和训练神经网络。
架构图
数据存储层：管理数据存储和内存分配，Tensor在整个计算图中流动并执行操作
Tensor: PyTorch中最基础的数据结构，类似于NumPy的数组，但支持GPU加速。Tensor可以存储各种类型的多维数组，并且可以在CPU和GPU之间快速转换。
Storage: 是Tensor底层的实现，用来管理实际存储的内存。Storage是低层次的，用于分配内存，而Tensor则是更高层的接口。
网络搭建层：负责网络的搭建，定义了神经网络的结构、层的堆叠方式以及初始化参数等
init: 用于初始化模型的参数，比如权重和偏置。可以自定义初始化策略，确保网络的训练效果。
Parameter: Parameter类是特殊的Tensor，当被赋予nn.Module时，它会自动被注册为可学习的参数（即在反向传播时被更新的权重）。
nn.Container: nn.Module的容器类，帮助组织网络中的多个层，比如nn.Sequential。
Module/Sequential: nn.Module是PyTorch中所有神经网络层的基类，可以被继承来创建自定义模型。nn.Sequential是容器类，用于按顺序将多个层组合起来。
Functional: torch.nn.functional提供了许多函数，比如激活函数、卷积操作等。相比于nn.Module中的层，functional提供了操作符的直接调用，而不需要保存状态。
网络模型: PyTorch提供了多种现成的网络模块，例如nn.RNN、nn.LSTM等。这些都是常见的神经网络模型，用户可以直接使用或者进行扩展。
优化层：负责计算梯度并进行参数更新，自动微分功能显著简化了深度学习的反向传播实现
optim: 这一模块包含了PyTorch中各种优化器（如SGD、Adam等），它们根据损失函数的梯度对模型参数进行更新，帮助模型逼近最优解。
Autograd: PyTorch的自动微分模块，能够自动计算所有操作的梯度。它通过动态计算图记录每次操作，允许模型在每次前向传播中动态构建和反向传播。
应用层：对数据的加载和处理，将数据转换为模型可以处理的格式，并通过批次传递给模型进行训练或测试
DataLoader: 负责批量加载数据，可以并行处理、打乱数据，并支持自定义的数据预处理和数据增强。
Dataset: 这个类表示数据集，用户可以继承并自定义__getitem__()和__len__()方法来加载特定格式的数据。
常用模块
张量（Tensor）
张量是pytroch中最重要的数据类型，神经网络中操作的数据都是张量。输入的图片是一个张量，中间的隐藏层也是张量，最后输出的结果也是张量。
存储（Storage）
Storage是Tensor的底层实现，用来管理实际存储的内存。Storage是低层次的，用于分配内存，而Tensor则是更高层的接口。
自动求导系统（Autograd）
用于自动计算梯度，支持反向传播。
优化器（Optimizers）
用于更新模型参数，常见的优化器包括SGD、Adam等。
GPU
用于GPU加速的模块，定义了与CUDA运算相关的一系列函数
神经网络模块（nn）
所有神经网络模型的基类，提供构建神经网络所需的模型基类（Module）、各种层（Layers）、损失函数（Loss Functions）、激活函数（Activation Functions）。
模型基类（Module）: 所有神经网络模型的基类。
各种层（Layers）: 如全连接层（nn.Linear），卷积层（nn.Conv2d），池化层（nn.MaxPool2d）等。
损失函数（Loss Functions）: 如交叉熵损失（nn.CrossEntropyLoss），均方误差损失（nn.MSELoss）等。
激活函数（Activation Functions）: 如ReLU（nn.ReLU），Sigmoid（nn.Sigmoid）等。
工具集（torch.utils）
包含了高效的工具和类，简化了数据处理、训练流程、模型保存等任务
数据/数据集加载和处理（data/datasets）：用于加载和预处理数据集，支持批处理和数据增强。
预训练模型（utils.model_zoo）：预训练模型
可视化（utils.tensorboard）：训练结果的可视化
其他模块
计算机视觉（torchvision）
用于计算机视觉任务，提供预训练模型和常用数据集。
torchtext自然语言处理
用于自然语言处理任务，提供文本处理工具。
torchaudio语音处理
用于音频处理任务。