从零开始掌握PyTorch（Python语言PyTorch深度学习库入门指南）

为什么选择PyTorch？

相比其他深度学习框架，PyTorch具有以下优势：

• 语法接近原生Python，学习曲线平缓
• 动态计算图（define-by-run），调试更直观
• 与NumPy无缝集成
• 强大的GPU加速支持
• 活跃的社区和丰富的预训练模型（如TorchVision）

安装PyTorch

首先，确保你已安装Python（建议3.7+）。然后通过pip安装PyTorch：

# CPU版本（适合初学者）pip install torch torchvision torchaudio# GPU版本（需CUDA支持）pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

你的第一个PyTorch程序：线性回归

我们将用PyTorch实现一个简单的线性回归模型，预测房屋价格。这个例子涵盖了数据准备、模型定义、损失函数、优化器和训练循环等核心概念。

import torchimport torch.nn as nnimport numpy as np# 1. 准备数据（模拟房屋面积与价格）np.random.seed(42)x = np.random.rand(100, 1) * 10  # 面积：0~100平方米y = 3 * x + 5 + np.random.randn(100, 1) * 2  # 价格 = 3*面积 + 5 + 噪声# 转换为PyTorch张量x_tensor = torch.from_numpy(x).float()y_tensor = torch.from_numpy(y).float()# 2. 定义模型class LinearRegressionModel(nn.Module):    def __init__(self):        super(LinearRegressionModel, 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 = LinearRegressionModel()# 3. 定义损失函数和优化器criterion = nn.MSELoss()  # 均方误差optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降# 4. 训练模型epochs = 100for epoch in range(epochs):    # 前向传播    outputs = model(x_tensor)    loss = criterion(outputs, y_tensor)        # 反向传播和优化    optimizer.zero_grad()  # 清空梯度    loss.backward()        # 计算梯度    optimizer.step()       # 更新参数        if (epoch+1) % 20 == 0:        print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')# 5. 测试模型with torch.no_grad():    predicted = model(x_tensor).data.numpy()    print(f'\n模型学到的权重: {model.linear.weight.item():.2f}')    print(f'模型学到的偏置: {model.linear.bias.item():.2f}')

代码解析

上面的代码展示了完整的PyTorch入门教程流程：

1. 数据准备：使用NumPy生成模拟数据，并转换为PyTorch张量（Tensor）
2. 模型定义：继承nn.Module类，定义前向传播逻辑
3. 损失函数：使用均方误差（MSE）衡量预测值与真实值的差距
4. 优化器：使用随机梯度下降（SGD）更新模型参数
5. 训练循环：重复前向传播→计算损失→反向传播→参数更新

下一步学习建议

恭喜你完成了第一个PyTorch项目！接下来可以：

• 尝试更复杂的模型（如多层神经网络）
• 使用真实数据集（如MNIST、CIFAR-10）
• 学习GPU加速（使用.to('cuda')）
• 探索PyTorch Lightning简化训练流程

记住，掌握Python语言PyTorch深度学习库的关键在于动手实践。现在就打开你的编辑器，运行上面的代码吧！