Pytorch入门

关注

原创最新推荐文章于 2026-10-07 08:00:17 发布 920 阅读 AI 写同款· GEO 优化 ›

Pytorch深度学习入门与实战 PyTorch是一个开源机器学习Python库，用于深度学习实现，如计算机视觉（使用武器）和自然语言处理。它是由Facebook的AI Research Lab（Fair）于2016年开发的，自数据科学和ML领域以来已采用。Pytorch为已经熟悉Python的人提供了直观的机器，并且具有oop支持和动态计算图等具有很大的功能。除了构建深度神经网络之外，由于其GPU加速，Pytorch也非常适合复杂的数学计算。此功能允许Pytorch使用计算机的GPU来大量加速计算。阅读详情

前言

Torch是一个科学计算框架，广泛支持将GPU放在首位的机器学习算法。

PyTorch是一个基于Torch的python机器学习库，底层由 C++ 实现。

PyTorch 主要有两大特征：

类似于 NumPy 的张量计算，能在 GPU 或 MPS 等硬件加速器上加速。

基于带自动微分系统的深度神经网络。

安装Pytorch

有conda和pip两种安装方式，参考Previous PyTorch Versions根据使用版本安装，Wheel表示使用pip安装，Conda表示使用conda安装，OSX和Linux and Windows表示操作系统。注意在镜像源下载的是cpu版本，必须在官网安装，检查代码如下
import torch
print(torch.__version__) # 检查Pytorch的版本
print(torch.cuda.is_available()) # 检查当前环境能否使用CUDA
若torch.cuda.is_available()返回false，解决方法参考torch.cuda.is_available()返回false——解决办法

基础

张量（Tensor）

张量可以视为多维数组。

张量可以运行在不同设备上，比如CPU和GPU，可以将张量移动到 GPU 上加速计算。

张量支持自动微分。

详细介绍可以参考PyTorch 张量（Tensor） | 菜鸟教程
out.backward() # 反向传播，计算梯度
print(x.grad) # 查看 x 的梯度
nn.Module

我们可以继承 nn.Module 类来构建神经网络模型。
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的全连接神经网络
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(2, 2)  # 输入层到隐藏层
        self.fc2 = nn.Linear(2, 1)  # 隐藏层到输出层
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))  # ReLU 激活函数
        x = self.fc2(x)
        return x
nn.Sequential

我们可以用 nn.Sequential 来按顺序组织神经网络层。
import torch
import torch.nn as nn

model = nn.Sequential(
   nn.Linear(n_in, n_h),  # 输入层到隐藏层的线性变换
   nn.ReLU(),            # 隐藏层的ReLU激活函数
   nn.Linear(n_h, n_out),  # 隐藏层到输出层的线性变换
   nn.Sigmoid()           # 输出层的Sigmoid激活函数
)
nn.functional

nn.functional 提供了大量的神经网络函数，包括激活函数，损失函数，池化操作，卷积操作等。
import torch
import torch.nn.functional as F

x = torch.randn(3, 4)

# ReLU
output = F.relu(x)

# 最大池化
x = torch.randn(1, 3, 32, 32)
output = F.max_pool2d(x, kernel_size=2, stride=2)

predictions = torch.randn(32, 10)
targets = torch.randint(0, 10, (32,))

# 交叉熵损失
loss = F.cross_entropy(predictions, targets)

# 卷积
x = torch.randn(1, 3, 32, 32)
weight = torch.randn(16, 3, 3, 3)
bias = torch.randn(16)

conv_output = F.conv2d(x, weight, bias, stride=1, padding=1)
数据处理和加载

torch.utils.data.Dataset 是一个抽象类，允许你从自己的数据源中创建数据集。

torch.utils.data.DataLoader 用于从 Dataset 中按批次（batch）加载数据。

torchvision.transforms 用于进行常见的图像预处理和增强操作，如旋转、裁剪、归一化等。