因为我是特邀用户，所以我拿到了内部优惠的大师码，如果要购买其他GPU云服务器的话，可以在付款的时候输入我的大师码2323，可以再享受9折优惠。

  当然你也可以购买装好环境的Notebook，或者是按照时常购买。Notebook好处是预装了各种环境，上手可用，但是缺点是不支持定制化，一些操作不太方便。毕竟有了云服务器可以自己搭建Notebook，但是Notebook并不支持服务器的功能。

  如果你想要使用其他云服务器平台，可以查看我之前的文章

  想要学深度学习但是没有GPU？我帮你找了一些不错的平台

  环境配置

  为了防止一些小白租借了机器不会用，接下来提供一下配置环境的详细教程（基于滴滴云）。如果你用的别家的服务器，由于环境不一定完全相同，所以可能并不一定适用，只能当做参考。

  总之我们整个流程是：安装Python3，安装jupyter，配置jupyter远程访问，安装Pytorch。

  这些是明面上的流程，如果机器环境不健全，还会有一些隐藏流程。比如说普通的Linux环境需要配置apt-get，还需要下载git，wget等常用工具。如果没有cuda驱动的话，还需要自己安装cuda配置。如果其中的步骤出现了问题，还需要分析问题的原因解决问题。所以说配置环境说起来简单，但是实际操作的时候问题并不少。

  安装Python3

   yum install python36

  安装 jupyter notebook

   sudo pip3 install ipython jupyter notebook lab

  设置jupyter的密码

   jupyter notebook password

  生成jupyter notebook的配置，这个配置默认不存在，需要我们通过这个命令来生成。

   jupyter notebook --generate-config

  运行之后，会返回配置文件所在的路径：

  我们用vim打开，修改其中的几行：

   c.NotebookApp.ip='0.0.0.0'

    c.NotebookApp.open_browser = False
    c.NotebookApp.port =8888 # 可以自己指定

  我们需要将本地的端口和远程进行绑定，这样我们就可以在本地打开远程的jupyter了。这一行代码当中我们将本地的8899绑定了远程的8888端口。这里的8888端口就是上面配置当中的远程的jupyter端口。

   ssh dc2-user@116.85.10.225 -L 127.0.0.1:8899:127.0.0.1:8888

  如果你喜欢的话，还可以安装一下jupyter lab

   sudo pip3 install jupyterlab

  使用方法和notebook类似，在远程执行命令开启jupyter

   jupyter lab --allow-root

  启动没有问题的话，我们在本地访问：:8899就可以打开Jupyter，输入密码之后就可以使用了。

  当我们用完了云服务器之后，要记得删除机器。但由于平台机器数量有限，根据当前平台的设置，关机之后依然会为用户保留资源，但是前提是需要付费。如果你是按时租的服务器显然不能接受自己没在使用还需要付费。针对这个问题，我们可以通过快照来解决。我们在关机之前先创建快照：

  然后删除云服务器，下次重新创建服务器的时候选择从快照创建。这样下次创建的机器还可以保留当前的配置和数据，而且也不需要扣费了。如果你嫌麻烦的话，还可以加我的微信联系我，我帮你找到工作人员加入关机免扣费的白名单。

  我们用pip安装一下Pytorch和一些其他需要用到的包。安装好了，之后，我们通过torch.cuda.is_avaiable()查看一下cuda的情况，如果输出是True，那说明已经安装好了。

  tensor

  Pytorch当中很重要的一个概念就是tensor，它直译过来是张量，TensorFlow当中的tensor也是这个意思。我们可以认为tensor是一个高维的数组。当它是0维的时候就是一个数，一个标量。当它是一维的时候就是一个向量，二维的时候是一个矩阵，多维的时候是高维的数组。它和Numpy当中的数组类似，不过Tensor可以使用GPU进行加速。

  我们通过torch当中的接口来初始化tensor，和Numpy当中的数组类似，它支持好几种初始化的方式。

  empty函数创建一个指定大小的未初始化的tensor，当中的元素内容是不可保证的。

  rand创建一个随机初始化的数组：

  ones和zeros创建全是0或者全是1的数组：

  我们可以传入类型指定元素的类型

  我们也可以通过现成的数组创建tensor：

  这些创建函数都有对应的like方法，可以传入一个已有的tensor，创建出一个和它一样大小的新的tensor来。

  这里只是列举了常用的几种，官方的api当中还有其他的几种创建tensor的方式：

  除此之外，tensor还支持从numpy的数组当中创建，我们可以利用from_numpy函数来实现：

  同理，我们也可以通过numpy函数，从一个tensor得到numpy的数组：

  还可以通过tolist方法将tensor转化成Python的数组：

  我们在创建tensor的时候不仅可以指定它们的类型，还可以指定它们存放的设备。比如是CPU还是GPU。当然前期我们暂时用不到这点，只需要记得即可。

  总结

  这是Pytorch的第一篇文章，我们简单了解了一下这个框架，以及它当中tensor这个数据结构。简单来说，我们可以用常用的Numpy去类比它。基本上Numpy当中有的功能它都有，它还有一些自己特性Numpy没有的api。但不管怎么说，万变不离其宗，tensor的用处就是为了方便我们处理数据的。

  关于Pytorch中tensor的用法还有很多，实在是没有办法在一篇文章当中穷尽，所以这里只是简单介绍，具体的用法将会放在下一篇文章当中，让我们下周再见吧。

  如果喜欢本文，可以的话，请点个关注，给我一点鼓励，也方便获取更多文章。