doc: update docs/pytorch.md #649

Author: jaywcjlove

docs/pytorch.md

@@ -13,6 +13,7 @@ Pytorch 是一种开源机器学习框架，可加速从研究原型设计到生
 - [Pytorch 官方备忘清单](https://pytorch.org/tutorials/beginner/ptcheat.html) _(pytorch.org)_
 
 ### 认识 Pytorch
+<!--rehype:wrap-class=row-span-2-->
 
 ```python
 from __future__ import print_function
@@ -32,6 +33,7 @@ tensor([
 Tensors 张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.
 
 ### 创建一个全零矩阵
+<!--rehype:wrap-class=row-span-2-->
 
 ```python
 x = torch.zeros(5, 3, dtype=torch.long)
@@ -95,6 +97,7 @@ tensor([[ 1.6978, -1.6979,  0.3093],
 ```
 
 ### 加法操作(4)
+<!--rehype:wrap-class=row-span-2-->
 
 ```python
 y.add_(x)
@@ -118,6 +121,7 @@ tensor([-2.0902, -0.4489, -0.1441,  0.8035, -0.8341])
 <!--rehype:className=wrap-text-->
 
 ### 张量形状
+<!--rehype:wrap-class=row-span-2-->
 
 ```python
 x = torch.randn(4, 4)
@@ -178,61 +182,81 @@ tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
 
 ```python
 >>> x = torch.rand(1, 2, 1, 28, 1)
->>> x.squeeze().shape                   # squeeze不加参数，默认去除所有为1的维度
+
+# squeeze不加参数，默认去除所有为1的维度
+>>> x.squeeze().shape
 torch.Size([2, 28])
->>> x.squeeze(dim=0).shape              # squeeze加参数，去除指定为1的维度
+
+# squeeze加参数，去除指定为1的维度
+>>> x.squeeze(dim=0).shape
 torch.Size([2, 1, 28, 1])
->>> x.squeeze(1).shape                  # squeeze加参数，如果不为1，则不变
+
+# squeeze加参数，如果不为1，则不变
+>>> x.squeeze(1).shape
 torch.Size([1, 2, 1, 28, 1])
->>> torch.squeeze(x,-1).shape           # 既可以是函数，也可以是方法
+
+# 既可以是函数，也可以是方法
+>>> torch.squeeze(x,-1).shape
 torch.Size([1, 2, 1, 28])
 ```
 
 ### unsqueeze函数
 
 ```python
 >>> x = torch.rand(2, 28)
->>> x.unsqueeze(0).shape                # unsqueeze必须加参数，    _ 2 _ 28 _
-torch.Size([1, 2, 28])                  # 参数代表在哪里添加维度    0   1    2
->>> torch.unsqueeze(x, -1).shape        # 既可以是函数，也可以是方法
+# unsqueeze必须加参数，    _ 2 _ 28 _
+>>> x.unsqueeze(0).shape  
+# 参数代表在哪里添加维度    0   1    2
+torch.Size([1, 2, 28])        
+# 既可以是函数，也可以是方法
+>>> torch.unsqueeze(x, -1).shape
 torch.Size([2, 28, 1])
 ```
 
 Cuda 相关
 ---
+
 ### 检查 Cuda 是否可用
+
 ```python
 >>> import torch.cuda
 >>> torch.cuda.is_available()
 >>> True
 ```
+
 ### 列出 GPU 设备
+<!--rehype:wrap-class=col-span-2 row-span-2-->
+
 ```python
 import torch
+
 device_count = torch.cuda.device_count()
 print("CUDA 设备")
+
 for i in range(device_count):
     device_name = torch.cuda.get_device_name(i)
     total_memory = torch.cuda.get_device_properties(i).total_memory / (1024 ** 3)
     print(f"├── 设备 {i}: {device_name}, 容量: {total_memory:.2f} GiB")
+
 print("└── (结束)")
 ```
+
 ### 将模型、张量等数据在 GPU 和内存之间进行搬运
+
 ```python
 import torch
-# Replace 0 to your GPU device index. or use "cuda" directly.
+# 将 0 替换为您的 GPU 设备索引或者直接使用 "cuda"
 device = f"cuda:0"
-# Move to GPU
+# 移动到GPU
 tensor_m = torch.tensor([1, 2, 3])
 tensor_g = tensor_m.to(device)
 model_m = torch.nn.Linear(1, 1)
 model_g = model_m.to(device)
-# Move back.
+# 向后移动
 tensor_m = tensor_g.cpu()
 model_m = model_g.cpu()
 ```
 
-
 导入 Imports
 ---
 
@@ -241,61 +265,87 @@ model_m = model_g.cpu()
 ```python
 # 根包
 import torch
-# 数据集表示和加载
+```
+
+数据集表示和加载
+
+```python
 from torch.utils.data import Dataset, DataLoader
 ```
 <!--rehype:className=wrap-text-->
 
 ### 神经网络 API
+<!--rehype:wrap-class=row-span-2-->
 
 ```python
 # 计算图
 import torch.autograd as autograd
 # 计算图中的张量节点
 from torch import Tensor
-# 神经网络
+```
+
+神经网络
+
+```python
 import torch.nn as nn
+
 # 层、激活等
 import torch.nn.functional as F
 # 优化器，例如 梯度下降、ADAM等
 import torch.optim as optim
-# 混合前端装饰器和跟踪 jit
-from torch.jit import script, trace
 ```
 
-### Torchscript 和 JIT
-
-```python
-torch.jit.trace()
-```
-
-使用你的模块或函数和一个例子，数据输入，并追溯计算步骤，数据在模型中前进时遇到的情况
+混合前端装饰器和跟踪 jit
 
 ```python
-@script
+from torch.jit import script, trace
 ```
 
-装饰器用于指示被跟踪代码中的数据相关控制流
-
 ### ONNX
+<!--rehype:wrap-class=row-span-2-->
 
 ```python
 torch.onnx.export(model, dummy data, xxxx.proto)
 # 导出 ONNX 格式
 # 使用经过训练的模型模型，dummy
 # 数据和所需的文件名
+```
+<!--rehype:className=wrap-text-->
 
+加载 ONNX 模型
+
+```python
 model = onnx.load("alexnet.proto")
-# 加载 ONNX 模型
+```
+
+检查模型，IT 是否结构良好
+
+```python
 onnx.checker.check_model(model)
-# 检查模型，IT 是否结构良好
+```
+
+打印一个人类可读的，图的表示
 
+```python
 onnx.helper.printable_graph(model.graph)
-# 打印一个人类可读的，图的表示
 ```
-<!--rehype:className=wrap-text-->
+
+### Torchscript 和 JIT
+
+```python
+torch.jit.trace()
+```
+
+使用你的模块或函数和一个例子，数据输入，并追溯计算步骤，数据在模型中前进时遇到的情况
+
+```python
+@script
+```
+
+装饰器用于指示被跟踪代码中的数据相关控制流
 
 ### Vision
+<!--rehype:wrap-class=col-span-2-->
 
 ```python
 # 视觉数据集，架构 & 变换