PyTorch 入门指南：大一新生的深度学习启航之旅

原创 于 2025-08-19 11:23:18 发布 · 742 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #pytorch #人工智能 #机器学习 #AI #python

嘿，大一的小伙伴们，刚踏入计算机专业的大门，是不是对各种编程技术和前沿科技充满了好奇？今天，我要给大家介绍一个在深度学习领域非常热门的工具 ——PyTorch。它就像一把神奇的钥匙，能为你打开深度学习的奇妙世界。

一、PyTorch 是什么​

PyTorch 是一个基于 Python 的开源深度学习框架，由 Facebook 的人工智能研究实验室（FAIR）开发。它就像是一个强大的工具箱，里面装满了各种用于构建、训练和部署深度学习模型的工具。​

为什么要学习 PyTorch 呢？首先，它简单易用，对于刚接触深度学习的新手来说非常友好，代码风格简洁直观，很容易理解和上手。其次，它灵活性极高，能够让我们快速地进行模型原型设计和实验。而且，PyTorch 在科研和工业界都被广泛使用，学会它，无论是以后做学术研究还是参加实际项目，都能派上大用场。

二、PyTorch 的安装方法​

想要使用 PyTorch，首先得把它安装到我们的电脑上。下面就以 Anaconda 为例，给大家详细介绍安装步骤。​

  1. 安装 Anaconda：Anaconda 是一个 Python 的发行版，包含了很多科学计算所需的库，安装它能让我们更方便地管理 Python 环境。大家可以去 Anaconda 的官网（https://www.anaconda.com/）下载适合自己操作系统的安装包，然后按照安装向导一步步操作就行啦。​
  2. 打开 Anaconda Prompt：安装好 Anaconda 后，在电脑的开始菜单里找到 Anaconda Prompt 并打开，这是一个命令行工具，我们将在这里输入命令进行后续操作。​
  3. 创建虚拟环境：为了避免不同项目的依赖冲突，我们可以创建一个专门用于 PyTorch 学习的虚拟环境。在 Anaconda Prompt 中输入以下命令：
conda create -n pytorch_env python=3.8

这里的 “pytorch_env” 是虚拟环境的名字，大家可以自己取一个喜欢的名字，“python=3.8” 表示我们使用 Python 3.8 版本。输入命令后，按照提示输入 “y” 确认安装。​

    4.激活虚拟环境：环境创建好后，需要激活它才能使用。输入命令：

conda activate pytorch_env

激活后，命令行前面会显示虚拟环境的名字。​

        安装 PyTorch：接下来就可以安装 PyTorch 了。大家可以去 PyTorch 的官网（PyTorch），根据自己的操作系统、是否有 GPU 等情况，选择对应的安装命令。

        比如，如果你的电脑没有 GPU，可以选择 CPU 版本，复制对应的命令到 Anaconda Prompt 中执行。例如：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

等待安装完成就可以啦。

三、PyTorch 核心概念​

（一）张量（Tensor）​

张量是 PyTorch 的基本数据结构，和我们之前可能接触过的 NumPy 数组很类似，但它可以在 GPU 上运行，从而加速计算。​

  1. 张量的定义：张量可以看作是多维数组，比如 0 维张量就是一个标量，1 维张量是一个向量，2 维张量是一个矩阵，更高维的就是多维张量啦。​
  2. 创建张量：我们可以用 torch.tensor () 函数来创建张量。例如：
import torch

# 创建一个0维张量（标量）
scalar = torch.tensor(5)
print("0维张量：", scalar)

# 创建一个1维张量（向量）
vector = torch.tensor([1, 2, 3, 4, 5])
print("1维张量：", vector)

# 创建一个2维张量（矩阵）
matrix = torch.tensor([[1, 2], [3, 4]])
print("2维张量：", matrix)

# 创建一个3维张量
tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print("3维张量：", tensor_3d)

运行这段代码，我们可以看到不同维度的张量输出。​

        3.张量的属性：张量有一些重要的属性，比如形状（shape）、数据类型（dtype）和设备（device）。

# 查看张量的形状
print("矩阵的形状：", matrix.shape)

# 查看张量的数据类型
print("矩阵的数据类型：", matrix.dtype)

# 查看张量所在的设备
print("矩阵所在的设备：", matrix.device)

默认情况下，张量是在 CPU 上的，如果你的电脑有 GPU 并且安装了对应的 PyTorch 版本，还可以把张量放到 GPU 上：

if torch.cuda.is_available():
    matrix_gpu = matrix.to('cuda')
    print("矩阵在GPU上：", matrix_gpu.device)

张量的操作：张量有很多常用的操作，比如索引、切片、拼接、维度变换等。

# 索引和切片
print("矩阵的第一行：", matrix[0])
print("矩阵的第一行第一列：", matrix[0, 0])

# 拼接张量
tensor1 = torch.tensor([[1, 2], [3, 4]])
tensor2 = torch.tensor([[5, 6], [7, 8]])
tensor_cat = torch.cat((tensor1, tensor2), dim=0)  # 按行拼接
print("拼接后的张量：", tensor_cat)

# 维度变换
tensor_reshape = matrix.reshape(1, 4)
print("维度变换后的张量：", tensor_reshape)

（二）自动求导（Autograd）​

自动求导是 PyTorch 的一个重要功能，它能自动计算张量的梯度，这对于训练神经网络非常关键。​

  1. 计算图概念：PyTorch 会构建一个计算图来记录张量的操作过程，图中的节点是张量，边是操作。通过这个计算图，PyTorch 可以反向传播计算梯度。​
  2. 自动求导示例：
# 创建一个需要求导的张量
x = torch.tensor(2.0, requires_grad=True)

# 定义一个函数y = x^2
y = x **2

# 反向传播求梯度
y.backward()

# 查看x的梯度，即y对x的导数在x=2处的值
print("x的梯度：", x.grad)  # 结果应该是4.0

在这个例子中，我们创建了一个需要求导的张量 x，然后定义了 y 关于 x 的函数，通过 backward () 方法进行反向传播，最后得到 x 的梯度。

四、神经网络构建​

神经网络是深度学习的核心，PyTorch 提供了非常方便的工具来构建神经网络。​

（一）神经网络基本组成​

神经网络由神经元和层组成。神经元接收输入，进行加权求和并加上偏置，然后通过激活函数输出。层则是由多个神经元组成的，比如输入层、隐藏层和输出层。​

（二）用 PyTorch 构建神经网络​

PyTorch 中的 nn.Module 类是所有神经网络模块的基类，我们可以通过继承它来定义自己的神经网络。​

下面是一个简单的神经网络示例，包含一个输入层、一个隐藏层和一个输出层：

import torch.nn as nn
import torch.nn.functional as F

class SimpleNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNet, self).__init__()
        # 定义隐藏层
        self.fc1 = nn.Linear(input_size, hidden_size)
        # 定义输出层
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        # 隐藏层的输出，使用ReLU激活函数
        x = F.relu(self.fc1(x))
        # 输出层的输出
        x = self.fc2(x)
        return x

# 创建一个输入大小为2，隐藏层大小为5，输出大小为1的神经网络
net = SimpleNet(2, 5, 1)
print(net)

运行这段代码，我们可以看到网络的结构。

五、模型训练与评估​

接下来，我们以 MNIST 手写数字识别为例，来演示如何使用 PyTorch 进行模型的训练和评估。​

（一）数据准备​

MNIST 是一个常用的手写数字数据集，包含 60000 个训练样本和 10000 个测试样本。PyTorch 的 torchvision 库中提供了加载 MNIST 数据集的工具。

import torchvision
import torchvision.transforms as transforms

# 定义数据变换，将图像转换为张量并进行标准化
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

# 加载训练集
trainset = torchvision.datasets.MNIST(
    root='./data', train=True, download=True, transform=transform
)
trainloader = torch.utils.data.DataLoader(
    trainset, batch_size=64, shuffle=True, num_workers=2
)

# 加载测试集
testset = torchvision.datasets.MNIST(
    root='./data', train=False, download=True, transform=transform
)
testloader = torch.utils.data.DataLoader(
    testset, batch_size=64, shuffle=False, num_workers=2
)

（二）定义网络、损失函数和优化器

# 定义网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)  # 卷积层1
        self.pool = nn.MaxPool2d(2, 2)  # 池化层
        self.conv2 = nn.Conv2d(6, 16, 5)  # 卷积层2
        self.fc1 = nn.Linear(16 * 4 * 4, 120)  # 全连接层1
        self.fc2 = nn.Linear(120, 84)  # 全连接层2
        self.fc3 = nn.Linear(84, 10)  # 全连接层3

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 4 * 4)  # 展平
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

# 定义损失函数（交叉熵损失）
criterion = nn.CrossEntropyLoss()

# 定义优化器（随机梯度下降）
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

（三）训练网络

# 训练轮数
epochs = 5

for epoch in range(epochs):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # 获取输入数据
        inputs, labels = data

        # 清零梯度
        optimizer.zero_grad()

        # 前向传播、计算损失、反向传播、参数更新
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # 打印训练信息
        running_loss += loss.item()
        if i % 100 == 99:  # 每100个批次打印一次
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

print('Finished Training')

（四）评估模型

correct = 0
total = 0
with torch.no_grad():  # 不计算梯度
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

六、总结与学习建议​

PyTorch 是一个功能强大且易于学习的深度学习框架，本文只是对它进行了一个初步的介绍，还有很多高级功能和用法等待大家去探索。​

对于大一新生来说，学习 PyTorch 需要循序渐进。首先要打好 Python 基础，熟悉基本的编程语法和数据结构。然后，逐步理解 PyTorch 的核心概念，如张量、自动求导等。多动手实践是非常重要的，大家可以从简单的例子开始，不断尝试修改代码、调整参数，观察结果的变化。​

另外，多阅读官方文档和优秀的教程，关注深度学习领域的最新研究成果，积极参与开源项目和竞赛，都能帮助我们更好地掌握 PyTorch 和深度学习技术。​

希望这篇博客能为大家开启 PyTorch 的学习之旅提供一些帮助，祝大家在深度学习的世界里探索愉快，收获满满！​

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值