用PyTorch进行科学计算

我想使用Pytork作为一个科学计算包。在这方面它有很多值得推荐的地方——它的张量基本上是GPU加速的numpy阵列，它的

autograd

机制对于神经网络之外的许多事情都有潜在的用处

然而，可用的教程和文档似乎非常适合于快速让人们使用它进行机器学习。虽然有很多关于

Tensor

和

Variable

类的有用信息（我对这些材料相当了解），但是

nn

和

optim

包似乎总是通过示例而不是通过解释API来介绍，这使得我们很难弄清楚到底发生了什么

我在这一点上的主要问题是，我是否可以使用

optim

包而不使用

nn

包，如果可以，如何操作。当然，我始终可以将我的模拟作为

nn.Module

的子类来实现，即使它们不是神经网络，但我想了解当我这样做时在引擎盖下会发生什么，以及它会给我的特定应用带来什么好处/缺点

---

更广泛地说，我希望有人能提供更多API逻辑概述的参考资料（特别是

nn

和

optim

），而不是仅仅给出示例。

这是关于在不使用

nn

的情况下使用

optim

的具体问题的部分自我回答。答案是，是的，你可以做到。事实上，从源代码来看，

optim

包对

nn

一无所知，只关心变量和张量

文件给出了以下不完整的示例：

optimizer = optim.Adam([var1, var2], lr = 0.0001)

后来：

for input, target in dataset:
    optimizer.zero_grad()
    output = model(input)
    loss = loss_fn(output, target)
    loss.backward()
    optimizer.step()

函数

model

没有在任何地方定义，看起来它可能与

nn

有关，但实际上它可以是一个Python函数，使用

var1

和

var2

作为参数，从

input

计算

输出，只要所有的中间步骤都是使用变量来完成的，这样就可以进行区分。调用
optimizer.step（）
将自动更新
var1
和
var2
的值

就PyTorch的整体结构而言，
optim
和
nn
似乎是相互独立的，而
nn
基本上只是将可微函数链接在一起的一种方便方式，以及在机器学习中有用的函数库。尽管如此，我仍然希望能从技术角度对整个方案进行全面介绍。
了解投票失败的原因会有所帮助，这样我就可以避免将来犯同样的错误。（如果问题是我想将一个库用于其预期用途以外的其他用途，请注意，其中一位PyTorch开发人员在YouTube上做了一个名为“PyTorch:Framework for fast，dynamic deep learning and scientific computing”的演示，所以这并不疯狂。）