删除 0.4 临时版本

docs/0.4/0.md

-# 笔记
-

docs/0.4/1.md

-
-
-# 自动求导机制
-
-1.  [从后向中排除子图](#excluding-subgraphs-from-backward)
-    *   [requires_grad](#requires_grad)
-    *   [volatile](#volatile)
-2.  [自动求导如何编码历史信息](#how-autograd-encodes-the-history)
-3.  [Variable上的In-place操作](#in-place-operations-on-variables)
-4.  [In-place正确性检查](#in-place-correctness-checks)
-
-* * *
-
-本说明将概述Autograd如何工作并记录操作。没有必要全部了解，但建议您熟悉它，他可以将帮助你编写程序更高效，更清洁；同时还可以帮助您进行调试。
-
-### 向后排除子视图：
-
-每个变量都有一个标记：`requires_grad`允许从梯度计算中细分排除子图，并可以提高效率。
-
-#### requires_grad
-
-如果一个输入变量定义`requires_grad`,那么他的输出也可以使用`requires_grad`；相反，只有当所有的输入变量都不定义`requires_grad`梯度，才不会输出梯度。如果其中所有的变量都不需要计算梯度，在子图中从不执行向后计算。
-
-```py
->>> x = Variable(torch.randn(5, 5))
->>> y = Variable(torch.randn(5, 5))
->>> z = Variable(torch.randn(5, 5), requires_grad=True)
->>> a = x + y
->>> a.requires_grad
-False
->>> b = a + z
->>> b.requires_grad
-True 
-```
-
-当您想要冻结部分模型时，这个标志特别有用;除非您事先知道不会使用到某些参数的梯度。
-
-例如，如果您想调整预训练的`CNN`，只要切换冻结模型中的`requires_grad`标志即可，直到计算到最后一层才会保存中间缓冲区，仿射变换和网络输出都需要使用梯度的权值。
-
-```py
-model = torchvision.models.resnet18(pretrained=True)
-for param in model.parameters():
-    param.requires_grad = False
-# Replace the last fully-connected layer
-# Parameters of newly constructed modules have requires_grad=True by default
-model.fc = nn.Linear(512, 100)
-
-# Optimize only the classifier
-optimizer = optim.SGD(model.fc.parameters(), lr=1e-2, momentum=0.9)
-```
-
-### autograd如何编码历史信息：
-
-每个变量都有一个`.creator`属性，它指向把它作为输出的函数。这是一个由`Function`对象作为节点组成的有向无环图(DAG）的入口点，它们之间的引用就是图的边。每次执行一个操作时，一个表示它的新`Function`就被实例化，它的`forward()`方法被调用，并且它输出的`Variable`的创建者被设置为这个`Function`。然后，通过跟踪从任何变量到叶节点的路径，可以重建创建数据的操作序列，并自动计算梯度。
-
-需要注意的一点是，整个图在每次迭代时都是从头开始重新创建的，这就允许使用任意的Python控制流语句，这样可以在每次迭代时改变图的整体形状和大小。在启动训练之前不必对所有可能的路径进行编码—— what you run is what you differentiate.
-
-### Variable上的In-place操作：
-
-支持自动归档中的就地操作是一件很困难的事情，我们在大多数情况下都不鼓励使用它们。Autograd的积极缓冲区释放和重用使其非常高效，并且在现场操作实际上会降低内存使用量的情况下，极少数场合很少。除非您在内存压力很大的情况下运行，否则您可能永远不需要使用它们。
-
-限制现场操作适用性的两个主要原因：
-
-1.  覆盖计算梯度所需的值。这就是为什么变量不支持`log_`。其梯度公式需要原始输入，而通过计算逆运算可以重新创建它，它在数值上是不稳定的，并且需要额外的工作，这往往会失败使用这些功能的目的。
-2.  每个`in-place`操作实际上需要实现重写计算图。不合适的版本只需分配新对象，并保留对旧图的引用，而`in-place`操作则需要将所有输入的`creator`更改为`Function`表示此操作。这就比较棘手，特别是如果有许多变量引用相同的存储(例如通过索引或转置创建的），并且如果被修改输入的存储被其他`Variable`引用，则`in-place`函数实际上会抛出错误。
-
-### In-place正确性检测：
-
-每个变量都保留一个版本计数器`version counter`，当在任何操作中被使用时，它都会递增。当函数保存任何用于后向的`tensor`时，还会保存其包含变量的版本计数器`version counter`。一旦访问，`self.saved_tensors`它被会被检查，如果它大于保存的值，则会引起错误。
-
-### 译者署名
-
-| 用户名 | 头像 | 职能 | 签名 |
-| --- | --- | --- | --- |
-| [Song](https://ptorch.com) | ![](img/2018033000352689884.jpeg) | 翻译 | 人生总要追求点什么 |
-

docs/0.4/12.md

-
-
-# Tensor Attributes
-
-*   [torch.dtype](#torch-dtype)
-*   [torch.device](#torch-device)
-*   [torch.layout](#torch-layout)
-
-每个`torch.Tensor`都有`torch.dtype`, `torch.device`,和`torch.layout`。
-
-### torch.dtype
-
-`torch.dtype`是表示`torch.Tensor`的数据类型的对象。`PyTorch`有八种不同的数据类型：
-
-|  | Data type | dtype | Tensor types |
-| --- | --- | --- | --- |
-| 32-bit floating point | torch.float32 or torch.float | torch.*.FloatTensor |
-| 64-bit floating point | torch.float64 or torch.double | torch.*.DoubleTensor |
-| 16-bit floating point | torch.float16 or torch.half | torch.*.HalfTensor |
-| 8-bit integer (unsigned) | torch.uint8 | torch.*.ByteTensor |
-| 8-bit integer (signed) | torch.int8 | torch.*.CharTensor |
-| 16-bit integer (signed) | torch.int16 or torch.short | torch.*.ShortTensor |
-| 32-bit integer (signed) | torch.int32 or torch.int | torch.*.IntTensor |
-| 64-bit integer (signed) | torch.int64 or torch.long | torch.*.LongTensor |
-
-使用方法：
-
-```py
->>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
->>> print x.type()
-torch.FloatTensor
-```
-
-### torch.device
-
-`torch.device`代表将`torch.Tensor`分配到的设备的对象。
-
-`torch.device`包含一个设备类型(`'cpu'`或`'cuda'`设备类型）和可选的设备的序号。如果设备序号不存在，则为当前设备; 例如，`torch.Tensor`用设备构建`'cuda'`的结果等同于`'cuda:X'`,其中`X`是`torch.cuda.current_device()`的结果。
-
-`torch.Tensor`的设备可以通过`Tensor.device`访问属性。
-
-构造`torch.device`可以通过字符串/字符串和设备编号。
-
-通过一个字符串：
-
-```py
->>> torch.device('cuda:0')
-device(type='cuda', index=0)
-
->>> torch.device('cpu')
-device(type='cpu')
-
->>> torch.device('cuda')  # current cuda device
-device(type='cuda')
-```
-
-通过字符串和设备序号：
-
-```py
->>> torch.device('cuda', 0)
-device(type='cuda', index=0)
-
->>> torch.device('cpu', 0)
-device(type='cpu', index=0)
-```
-
-> **注意**
-> `torch.device`函数中的参数通常可以用一个字符串替代。这允许使用代码快速构建原型。
-> 
-> ```py
-> >> # Example of a function that takes in a torch.device
-> >> cuda1 = torch.device('cuda:1')
-> >> torch.randn((2,3), device=cuda1)
-> ```
-> 
-> ```py
-> >> # You can substitute the torch.device with a string
-> >> torch.randn((2,3), 'cuda:1')
-> ```
-
-* * *
-
-> **注意**
-> 出于传统原因，可以通过单个设备序号构建设备，将其视为`cuda`设备。这匹配`Tensor.get_device()`，它为`cuda`张量返回一个序数，并且不支持`cpu`张量。
-> 
-> ```py
-> >> torch.device(1)
-> device(type='cuda', index=1)
-> ```
-
-* * *
-
-> **注意**
-> 指定设备的方法可以使用(properly formatted）字符串或(legacy）整数型设备序数，即以下示例均等效：
-> 
-> ```py
-> >> torch.randn((2,3), device=torch.device('cuda:1'))
-> >> torch.randn((2,3), device='cuda:1')
-> >> torch.randn((2,3), device=1)  # legacy
-> ```
-
-### torch.layout
-
-`torch.layout`表示`torch.Tensor`内存布局的对象。目前，我们支持`torch.strided(dense Tensors)`并为`torch.sparse_coo(sparse COO Tensors)`提供实验支持。
-
-`torch.strided`代表密集张量，是最常用的内存布局。每个`strided`张量都会关联 一个`torch.Storage`，它保存着它的数据。这些张力提供了多维度， 存储的`strided`视图。`Strides`是一个整数型列表：`k-th stride`表示在张量的第k维从一个元素跳转到下一个元素所需的内存。这个概念使得可以有效地执行多张量。
-
-例：
-
-```py
->>> x = torch.Tensor([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
->>> x.stride()
-(5, 1)
-
->>> x.t().stride()
-(1, 5)
-```
-
-关于`torch.sparse_coo`张量的更多信息,请参阅[torch.sparse](https://ptorch.com/docs/8/torch-sparse)。
-
-### 译者署名
-
-| 用户名 | 头像 | 职能 | 签名 |
-| --- | --- | --- | --- |
-| [Song](https://ptorch.com) | ![](img/2018033000352689884.jpeg) | 翻译 | 人生总要追求点什么 |
-

docs/0.4/15.md

-
-
-# torch.Storage
-
-* * *
-
-`torch.Storage`是单个数据类型的连续的`一维数组`，每个`torch.Tensor`都具有相同数据类型的相应存储。
-
-```py
-class torch.FloatStorage
-```
-
-*   `byte()`：将Storage转为byte类型
-*   `char()`:将Storage转为char类型
-*   `clone()`:返回Storage的副本
-*   `copy_()`
-*   `cpu()`：如果尚未在CPU上，则返回Storage的CPU副本
-*   `cuda(device=None, async=False)`：在CUDA内存中返回此对象的副本。如果该对象已经在CUDA内存中，并且在正确的设备上，则不会执行任何操作，并返回原始对象。 参数说明：
-
-    1.  device (int) - 目标GPU的id。默认值是当前设备。
-    2.  async (bool) -如果值为True，且源在锁定内存中，则副本相对于宿主是异步的。否则此参数不起效果。
-*   `data_ptr()`： 返回一个时间戳
-*   `double()`：将Storage转为double类型
-*   `element_size()`：返回参数的size
-*   `fill_()`
-*   `float()`:将Storage转为float类型
-*   `from_buffer()`
-*   `half()`:将Storage转为half类型
-*   `int()`:将Storage转为int类型
-*   `is_cuda = False`
-*   `is_pinned()`
-*   `is_shared()`
-*   `is_sparse = False`
-*   `long()`:将Storage转为long类型
-*   `new()`
-*   `pin_memory()`：将存储复制到固定内存(如果尚未固定）。
-*   `resize_()`
-*   `share_memory_()`：这对于已经在共享内存和CUDA存储器中的存储器是无效的，不需要为了跨进程共享而移动。无法调整共享内存中的存储空间。返回：self
-*   `short()`:将Storage转为short类型
-*   `size()`：返回Storage转的大小
-*   `tolist()`:返回一个包含Storage中元素的列表
-*   `type(new_type=None, async=False)`：将此对象转为指定类型。如果已经是正确类型，不会执行复制操作，直接返回原对象。
-
-参数说明：
-
-1.  `new_type` (type或string) -需要转成的类型
-2.  `async (bool)` -如果值为True，并且源处于固定内存中，目标位于GPU上，反之亦然，则相对于主机异步执行该副本。否则，参数没有效果。
-
-具体使用教程请参考：[使用torch.Storage共享多个张量的相同存储以及将torch.Tensor转化为torch.Storage](https://ptorch.com/news/52.html)
-
-### 译者署名
-
-| 用户名 | 头像 | 职能 | 签名 |
-| --- | --- | --- | --- |
-| [Song](https://ptorch.com) | ![](img/2018033000352689884.jpeg) | 翻译 | 人生总要追求点什么 |
-

docs/0.4/21.md

-
-
-# torch.distributions
-
-### 译者署名
-
-| 用户名 | 头像 | 职能 | 签名 |
-| --- | --- | --- | --- |
-| [Song](https://ptorch.com) | ![](img/2018033000352689884.jpeg) | 翻译 | 人生总要追求点什么 |
-

docs/0.4/28.md

-
-
-# torch.utils.ffi
-
-```py
-torch.utils.ffi.create_extension(name, headers, sources, verbose=True, with_cuda=False, package=False, relative_to='.', **kwargs)
-```
-
-创建并配置一个构建PyTorch扩展的cffi.FFI对象。
-
-参数：
-
-1.  **name (str)** – 包名。可以是嵌套的模块如 `.ext.my_lib`。
-2.  **headers (str or List[str])** – 仅包含导出函数的头文件列表
-3.  **sources (List[str])** – 要编译的源列表。
-4.  **verbose (bool, optional)** – 如果设置为`False`，则不打印任何输出(默认值：`True`）。
-5.  **with_cuda (bool, optional)** – 设置为`True`表示使用CUDA头进行编译(默认值：`False`）。
-6.  **package (bool, optional)** – 设置为`True`表示以程序包的模式构建(对于要以pip包安装的模块）(默认值：`False`）。
-7.  **relative_to (str, optional)** –构建文件的路径。 `package`为`True`时需要。最好使用`__file__`作为参数。
-8.  **kwargs** – 传递给ffi以声明扩展名的其他参数。详情请参阅[扩展API参考](https://docs.python.org/3/distutils/apiref.html#distutils.core.Extension)。
-
-### 译者署名
-
-| 用户名 | 头像 | 职能 | 签名 |
-| --- | --- | --- | --- |
-| [Song](https://ptorch.com) | ![](img/2018033000352689884.jpeg) | 翻译 | 人生总要追求点什么 |
-