Phần 1 – Giới thiệu thư viện Pytorch và các cú pháp cơ bản

PyTorch là một thư viện mã nguồn mở dành cho machine learning và deep learning, được phát triển bởi Facebook’s AI Research lab (FAIR). PyTorch
cung cấp một cách linh hoạt và dễ sử dụng để xây dựng và huấn luyện mạng neural network.

Các cú pháp cơ bản trong PyTorch:

• Tensor: Tensor là một định dạng dữ liệu chính trong PyTorch, tương tự như numpy array. Ta có thể tạo tensor, thực hiện
  phép tính số học và thống kê trên tensor.
• Module: Module là thành phần cơ bản để xây dựng mạng neural network trong PyTorch. Các module bao gồm các lớp như
  Conv2d, Linear, Dropout, và các phương thức như forward để xử lý dữ liệu qua mạng neural network.
• Optimizer: Optimizer là một thành phần quan trọng trong quá trình huấn luyện mạng neural network để tối ưu hóa hàm mất
  mát. Các optimizer phổ biến bao gồm Adam, SGD, và RMSprop.

Trên đây là một số cú pháp cơ bản trong PyTorch, chúng ta sẽ tìm hiểu thêm về các tính năng và cách sử dụng của PyTorch trong các phần
tiếp theo.