1.引言

欢迎阅读本篇“一小时入门 PyTorch”的教程！PyTorch 是一个开源的机器学习库，由 Facebook AI Research 开发，广泛用于构建和训练神经网络。它基于 Python，易于使用，特别适合初学者和研究人员。其动态计算图功能允许你在运行时修改模型，相比静态图框架（如 TensorFlow 的早期版本）更灵活。本教程旨在在一小时内帮助你掌握 PyTorch 的基本概念和实践，适合完全没有经验的初学者。

2.安装 PyTorch

首先，确保你已安装 Python。可以通过以下命令安装 PyTorch：

• CPU 版本安装：

  pip install torch
  

• 如果有 CUDA 支持的 GPU，可以安装 GPU 版本，参考 官方安装指南。

安装完成后，你可以导入 PyTorch 并开始学习。

3.张量：PyTorch 的基础

张量是 PyTorch 的核心数据结构，类似于 NumPy 数组，但支持 GPU 加速，这对深度学习任务至关重要。

3.1 创建张量

• 从 Python 列表创建

import torch
a = torch.Tensor([[1, 2], [3, 4]])
print(a)

• 从 NumPy 数组创建：

import numpy as np
np_array = np.array([[1, 2], [3, 4]])
tensor_from_np = torch.from_numpy(np_array)
print(tensor_from_np)

• 使用特定函数创建：

b = torch.zeros(2, 3)  # 2x3 的零张量
c = torch.ones(2, 3)   # 2x3 的全 1 张量
d = torch.randn(2, 3)  # 2x3 的随机值张量（正态分布）

3.2 张量操作

PyTorch 支持多种张量操作，类似于 NumPy：

• 加法

x = torch.Tensor([1, 2])
y = torch.Tensor([3, 4])
z = x + y  # 或 torch.add(x, y)
print(z)

• 乘法

z = x * y  # 或 torch.mul(x, y)
print(z)

• 矩阵乘法：

a = torch.Tensor([[1, 2], [3, 4]])
b = torch.Tensor([[5, 6], [7, 8]])
c = torch.mm(a, b)  # 或 a @ b（Python 3.6+）
print(c)

3.3 张量属性

张量有形状（shape）、大小（size）和设备（CPU 或 GPU）等属性：

• 查看形状：

print(a.size())  # 返回维度元组
print(a.shape)   # 同 size()

• 移动到 GPU：

if torch.cuda.is_available():
    device = torch.device("cuda")
    a = a.to(device)

4. 自动微分（Autograd）

Autograd 是 PyTorch 的自动微分引擎，用于计算张量相对于某些参数的梯度，这是训练神经网络的关键。

4.1 Autograd 基础

创建具有 requires_grad=True 的张量时，它会跟踪操作以便计算梯度：

x = torch.Tensor([1, 2, 3], requires_grad=True)
y = x * 2
z = y.sum()
z.backward()  # 计算梯度
print(x.grad)  # 打印 x 的梯度

4.2 禁用 Autograd

有时你可能不想跟踪梯度（例如推理阶段），可以使用 torch.no_grad()：

with torch.no_grad():
    # 这里的操作不会跟踪梯度

5. 构建简单神经网络

我们将通过一个线性回归示例，学习如何定义和训练一个简单模型。

5.1 定义模型

使用 nn 模块定义一个线性模型：

import torch.nn as nn

class LinearModel(nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = nn.Linear(1, 1)  # 输入 1 维，输出 1 维

    def forward(self, x):
        return self.linear(x)

model = LinearModel()

nn.Module 是所有神经网络模块的基类，forward 方法定义输入如何通过网络转换。

6. 训练模型

训练模型需要损失函数和优化器。

6.1 损失函数

对于回归任务，我们使用均方误差（MSE）：

criterion = nn.MSELoss()

6.2 优化器

我们使用随机梯度下降（SGD）：

optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

6.3 训练循环

假设我们有输入数据 X_tensor 和目标数据 y_tensor，训练循环如下：

num_epochs = 100
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(X_tensor)
    loss = criterion(outputs, y_tensor)
    # 反向传播
    optimizer.zero_grad()  # 清零梯度
    loss.backward()        # 计算梯度
    optimizer.step()       # 更新参数
    # 每 10 个 epoch 打印损失
    if (epoch + 1) % 10 == 0:
        print(f'Epoch {epoch+1}, Loss: {loss.item()}')

7. 进行预测

训练完成后，可以使用模型进行预测：

with torch.no_grad():
    new_data = torch.Tensor([[2.0]])  # 示例新数据点
    prediction = model(new_data)
    print("Prediction:", prediction.item())

8. 保存和加载模型

8.1 保存模型：

torch.save(model.state_dict(), 'model.pth')

8.2 加载模型：

model = LinearModel()
model.load_state_dict(torch.load('model.pth'))
model.eval()  # 设置为评估模式

9. 额外注意事项

• **数据分割：**在实际场景中，建议将数据分为训练集和验证集，以监控模型在未见数据上的表现，帮助检测过拟合和调整超参数。
• **进一步学习：**官方文档和教程是深入学习的宝贵资源，访问 PyTorch 官方教程 获取更多内容。

表格：PyTorch 核心组件总结

10. 最后

本教程为你提供了一个坚实的基础，帮助你理解和使用 PyTorch 进行深度学习任务。通过实践和探索更高级主题，你可以利用 PyTorch 解决复杂的机器学习问题。