全过程教你动手学Pytorch，从入门到精通:《动手学PyTorch深度学习建模与应用》第1章解读：PyTorch入门与张量操作

代码示例：简单的全连接神经网络```python# 定义一个简单的全连接神经网络self.fc1 = nn.Linear(10, 5)# 输入层到隐藏层self.fc2 = nn.Linear(5, 2)# 隐藏层到输出层x = F.relu(self.fc1(x))# 使用ReLU激活函数return x# 创建网络实例print("\n神经网络结构：")print(net)# 输入一个随机张量

环工人学Python

1283人浏览 · 2025-02-24 15:09:37

环工人学Python · 2025-02-24 15:09:37 发布

《动手学PyTorch深度学习建模与应用》第1章解读：PyTorch入门与张量操作

引言
在当今数字化时代，深度学习已经成为推动人工智能发展的核心力量。而PyTorch作为深度学习领域最受欢迎的框架之一，以其简洁的API和强大的动态图机制，吸引了无数开发者和研究者的关注。今天，我们将一起开启PyTorch的学习之旅，从基础概念到实际操作，逐步深入这个强大的工具。

PyTorch简介：为什么选择它？
PyTorch是由Facebook的人工智能研究团队开发的一个开源机器学习库，主要用于应用如计算机视觉和自然语言处理等人工智能领域。它有以下几个显著特点：

1. 动态计算图：PyTorch采用动态计算图，允许用户在运行时动态修改计算图，这使得调试和开发更加灵活。
2. 易用性：PyTorch的API设计简洁直观，与Python语言无缝集成，学习曲线平缓。
3. 强大的社区支持：PyTorch拥有庞大的开发者社区，提供了丰富的教程、工具和预训练模型。

如果你正在寻找一个灵活且强大的深度学习框架，PyTorch绝对值得一试！

安装PyTorch：快速上手

在开始之前，我们需要先安装PyTorch。PyTorch支持多种操作系统和硬件配置，安装过程非常简单。以下是推荐的安装步骤：

安装步骤

1. 访问PyTorch官网：

打开[PyTorch官网](https://pytorch.org/ )，根据你的操作系统（Windows、MacOS、Linux）、Python版本以及是否使用GPU（CUDA）选择合适的安装命令。

2. 使用pip安装：

例如，如果你使用的是Python 3.9且不需要GPU支持，可以在终端或命令行中运行以下命令：

```bash
pip install torch torchvision torchaudio
```

3. 验证安装：

安装完成后，运行以下代码，确保PyTorch已正确安装：

```python
import torch
print(torch.__version__)
print(torch.cuda.is_available()) # 检查是否支持GPU
```

如果一切正常，你将看到PyTorch的版本号以及是否支持GPU的信息。

核心概念：张量（Tensor）
张量（Tensor）是PyTorch中最基本的数据结构，类似于NumPy中的数组，但它可以利用GPU进行计算，从而实现高效的数值计算。让我们通过一些代码示例来了解张量的基本操作。

创建张量

```python
import torch

# 创建一个未初始化的张量
x = torch.empty(3, 3) # 3x3的张量
print("未初始化的张量：")
print(x)

# 创建一个随机初始化的张量
y = torch.rand(3, 3) # 3x3的随机张量
print("\n随机初始化的张量：")
print(y)

# 创建一个全为零的张量
z = torch.zeros(3, 3) # 3x3的零张量
print("\n全零张量：")
print(z)
```

张量操作

```python
# 张量相加
a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])
c = a + b
print("\n张量相加：")
print(c)

# 张量切片
d = torch.tensor([[1, 2, 3], [4, 5, 6]])
print("\n张量切片：")
print(d[:, 1]) # 输出第二列

# 张量形状变换
e = torch.tensor([[1, 2, 3], [4, 5, 6]])
print("\n原始张量：")
print(e)
e = e.view(3, 2) # 改变形状为3x2
print("\n变换后的张量：")
print(e)
```

动手实践：构建一个简单的神经网络
在PyTorch中，构建神经网络非常简单。让我们通过一个简单的例子来了解如何定义一个神经网络。

代码示例：简单的全连接神经网络

```python
import torch
import torch.nn as nn
import torch.nn.functional as F

# 定义一个简单的全连接神经网络
class SimpleNet(nn.Module):
def __init__(self):
super(SimpleNet, self).__init__()
self.fc1 = nn.Linear(10, 5) # 输入层到隐藏层
self.fc2 = nn.Linear(5, 2) # 隐藏层到输出层

def forward(self, x):
x = F.relu(self.fc1(x)) # 使用ReLU激活函数
x = self.fc2(x)
return x

# 创建网络实例
net = SimpleNet()
print("\n神经网络结构：")
print(net)

# 输入一个随机张量
input_tensor = torch.randn(1, 10) # 输入维度为10
output = net(input_tensor)
printn("\网络输出：")
print(output)
`