趣解PyTorch：带你从小白到实战的入门指南

关注

原创最新推荐文章于 2026-05-06 09:04:06 发布 823 阅读 AI 写同款· GEO 优化 ›

PyTorch入门：从安装到实战全指南 PyTorch深度学习框架：从基础到部署全流程解析本文系统介绍了PyTorch深度学习框架的核心技术栈，涵盖基础操作、模型优化、部署生产等全流程关键环节。主要内容包括：基础框架安装配置指南：Stable与Preview版本选择、CUDA支持要求核心数据结构：Tensor操作、自动微分机制模型构建：nn.Module体系与动态计算图关键技术混合精度训练：AMP自动管理FP16/FP32转换分布式训练：DataParallel/DDP实现多GPU并行弹性训练：TorchElastic故障恢复机阅读详情

认识PyTorch

通俗点说：

PyTorch 是一个用 Python 写深度学习模型的工具，就像乐高积木一样，简单好拼，灵活好玩。

它是 Facebook AI 开发的，后来开源火了，很多科研人员和开发者都在用。

如果你想做 AI 项目、深度学习、NLP、CV，PyTorch 几乎是第一推荐。
在这里插入图片描述

核心概念

1. Tensor（张量）

和 TensorFlow 一样，PyTorch 的核心数据结构叫 Tensor，就是高维数组：

import torch

x = torch.tensor([1.0, 2.0, 3.0])  # 一维张量（向量）
m = torch.tensor([[1, 2], [3, 4]])  # 二维张量（矩阵）

你可以像操作 Numpy 一样操作它：加法、乘法、矩阵运算都支持。

2. Autograd（自动求导）

PyTorch 最大的亮点就是：自动帮你算导数！

只要你告诉它哪些变量需要“求导”，它就能帮你自动追踪梯度，也即是导数：

x = torch.tensor([1.0, 2.0], requires_grad=True)
y = x ** 2 + 3 * x
z = y.sum()
z.backward()  # 反向传播
print(x.grad)  # 输出梯度


#输出为
#tensor([5., 7.])
#可以看到在x=1和x=2这两个点上的变化快慢。

3. Module（模块）和 nn（神经网络）

PyTorch 提供了 torch.nn 这个模块，里面封装了一堆搭建神经网络的积木。
例子：定义一个模型，给它一张图（展开成 784（28*28）个数字），它就会告诉你这张图最可能是哪个数字（输出 10 个概率值）。中间它做了两步计算：先提取一些特征（用 ReLU 激活），再把这些特征判断成 10 个数字中的哪一个，并给出概率，看代码：

import torch.nn as nn #引入 PyTorch 提供的神经网络工具箱,这个工具箱里有各种组件（比如线性层、激活函数等）。
model = nn.Sequential(
    nn.Linear(784, 128),# 输入层: 784个特征(如28x28像素图像)，压缩成128个特征值
    nn.ReLU(),# 激活函数
    nn.Linear(128, 10),# 输出层: 把前面的128个特征变成10个类别
    nn.Softmax(dim=1) # 输出概率分布
)

4. Optimizer（优化器）

PyTorch 里常用的优化器是 SGD、Adam，使用方法如下：

#设置 Adam 优化器，学习率为 0.001，用于训练模型参数。
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

5. Dataset & DataLoader

Dataset 就是你自定义的数据集，DataLoader 可以一批一批地送数据给模型：

from torch.utils.data import DataLoader, TensorDataset

data = torch.randn(100, 784)# 生成100个784维的随机数据样本 (模拟MNIST数据集中的28x28图像)
labels = torch.randint(0, 10, (100,))# 生成100个随机标签，范围0-9 (10分类问题)
dataset = TensorDataset(data, labels)# 将数据和标签封装成TensorDataset
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)# 创建DataLoader，设置批次大小为32，并启用数据随机打乱

如何安装

建议到官网选择对应系统和 CUDA 版本安装：https://pytorch.org/get-started/locally/

快速方式（CPU 版本）：

pip install torch torchvision

常见用例

训练一个神经网络识别 MNIST

import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
import torchvision.transforms as transforms

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)

testset = torchvision.datasets.MNIST(root='./data', train=False, download=True, transform=transform)
testloader = torch.utils.data.DataLoader(testset, batch_size=64, shuffle=False)

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = x.view(-1, 28*28)
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = Net()

# 损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(5):
    for images, labels in trainloader:
        outputs = model(images)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
    print(f"第 {epoch+1} 轮训练完成")

模型保存与加载

# 保存模型
torch.save(model.state_dict(), 'model.pth')

# 加载模型
model = Net()
model.load_state_dict(torch.load('model.pth'))
model.eval()  # 切换为评估模式

在 GPU 上训练

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)

for images, labels in trainloader:
    images, labels = images.to(device), labels.to(device)
    ...

PyTorch vs TensorFlow

项目	PyTorch	TensorFlow
是否动态图	默认动态图	2.x后支持动态图
代码简洁程度	更符合 Python 思维	较复杂
社区支持	学术界主流	工业界主流
上手难度	易上手	需要熟悉 Keras
调试方便	Pythonic 调试	静态图调试麻烦