一、基础环境搭建：Anaconda + PyTorch

1.1 Anaconda 安装与虚拟环境配置

（1）Anaconda 安装

• 下载地址：Anaconda 官网，选择对应系统（Windows/macOS/Linux）版本，无脑下一步安装（建议勾选 “Add Anaconda to PATH”，方便终端调用）。

• 验证安装：终端输入 conda --version，输出版本号即安装成功。

（2）虚拟环境配置（核心：隔离不同项目依赖）

# 1. 创建虚拟环境（命名为pytorch_env，指定Python版本3.9）
conda create -n pytorch_env python=3.9

# 2. 激活环境（Windows）
conda activate pytorch_env
# 激活环境（macOS/Linux）
source activate pytorch_env

# 3. 退出环境（无需使用时）
conda deactivate

# 4. 查看已创建环境
conda info --envs

1.2 PyTorch安装：CPU/GPU版本选择

（1）版本选择原则

• CPU版本：无NVIDIA显卡、仅学习基础语法 → 安装简单，无需配置 CUDA。

• GPU版本：有NVIDIA显卡（需满足CUDA算力要求） → 运算速度提升10倍以上，需先确认显卡驱动支持的 CUDA 版本。

（2）安装命令（激活虚拟环境后执行）

• 查看 PyTorch 官方命令：PyTorch 官网，选择对应系统 / 包管理器 / 版本。

        CPU 版本（通用）：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

        GPU 版本（以 CUDA 11.8 为例）：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

（3）安装验证

import torch

# 验证PyTorch是否安装成功
print(torch.__version__)

# 验证GPU是否可用（返回True则GPU版本生效）
print(torch.cuda.is_available())

二、核心基础：什么是张量（Tensor）？

可直接理解：

张量是PyTorch中用于存储和处理数据的核心数据结构，是NumPy数组的 “深度学习增强版”。

• 从维度上看：

  • 0 维张量 = 标量（如 5）

  • 1 维张量 = 向量（如 [1,2,3]）

  • 2 维张量 = 矩阵（如 [[1,2],[3,4]]）

  • 3 维及以上 = 高维张量（如 RGB 图片：[高度，宽度，通道数]）

• 核心价值：相比 NumPy 数组，张量专为深度学习设计，支持GPU加速、自动求导等关键功能。

三、核心：PyTorch张量（Tensor）操作

3.1 张量与NumPy数组的核心区别

特性	PyTorch张量	NumPy数组
计算场景	支持GPU加速	仅CPU计算
自动求导	内置autograd机制	无自动求导功能
分布式计算	支持	不支持
核心用途	深度学习模型训练	数据处理、科学计算

3.2 张量创建（对比NumPy）

import torch
import numpy as np

# 1. 从列表创建
tensor1 = torch.tensor([1, 2, 3])
numpy1 = np.array([1, 2, 3])

# 2. 创建全0/全1张量
tensor2 = torch.zeros((2, 3))  # 2行3列全0张量
numpy2 = np.zeros((2, 3))

# 3. 创建随机张量（0-1均匀分布）
tensor3 = torch.rand((2, 3))
numpy3 = np.random.rand(2, 3)

# 4. 创建单位张量（对角为1）
tensor4 = torch.eye(3)  # 3x3单位矩阵
numpy4 = np.eye(3)

3.3 张量与NumPy数组的类型转换

（1）张量 → NumPy数组

tensor = torch.tensor([1, 2, 3])
numpy_arr = tensor.numpy()  # 转换后共享内存（张量修改，数组也会变）
# 不想共享内存时用这行（避免意外修改）
numpy_arr = tensor.cpu().detach().numpy()

（2）NumPy数组 → 张量

numpy_arr = np.array([1, 2, 3])
tensor = torch.from_numpy(numpy_arr)  # 共享内存
# 不共享内存（更安全）
tensor = torch.tensor(numpy_arr)

3.4 张量形状操作（reshape/view/squeeze）

（1）reshape：修改形状（兼容所有场景）

tensor = torch.rand(4, 6)  # 4行6列，总元素24个
# 改为3行8列
tensor_reshape = tensor.reshape(3, 8)
# 自动计算维度（-1表示自适应，新手高频用法）
tensor_reshape2 = tensor.reshape(-1, 8)  # 等价于(3,8)
tensor_reshape3 = tensor.reshape(2, -1)  # 等价于(2,12)

（2）view：修改形状（仅适用于连续内存的张量）

tensor = torch.rand(4, 6)
tensor_view = tensor.view(3, 8)  # 功能与reshape类似，但要求张量内存连续
# 提示：优先用reshape，避免view的内存报错

（3）squeeze/unsqueeze：压缩 / 扩展维度

# squeeze：删除维度为1的轴（新手常见：去除多余维度）
tensor = torch.rand(1, 2, 1, 3)  # 形状：(1,2,1,3)
tensor_squeeze = tensor.squeeze()  # 压缩后：(2,3)
tensor_squeeze2 = tensor.squeeze(0)  # 仅删除第0个维度：(2,1,3)

# unsqueeze：添加维度为1的轴（新手常见：适配模型输入）
tensor = torch.rand(2, 3)  # 形状：(2,3)
tensor_unsqueeze = tensor.unsqueeze(1)  # 添加第1个维度：(2,1,3)

四、实战对比：张量与 NumPy 数组运算

# 1. 基本运算（语法几乎一致）
tensor = torch.tensor([1, 2, 3])
numpy_arr = np.array([1, 2, 3])

print(tensor + 2)  # 张量加法：tensor([3, 4, 5])
print(numpy_arr + 2)  # 数组加法：[3 4 5]

# 2. GPU加速演示（张量独有的核心优势）
if torch.cuda.is_available():
    tensor_gpu = tensor.to("cuda")  # 张量移到GPU
    print(tensor_gpu + 2)  # GPU上运算，输出：tensor([3, 4, 5], device='cuda:0')

总结

1. 基础认知：张量是PyTorch的核心数据结构，是支持GPU / 自动求导的 “增强版NumPy数组”，维度对应标量 / 向量 / 矩阵 / 高维数据。

2. 环境搭建：Anaconda虚拟环境隔离依赖，PyTorch安装后用torch.cuda.is_available()验证 GPU版本是否生效。

3. 核心操作：张量与NumPy转换时注意内存共享问题；形状操作优先用reshape，squeeze/unsqueeze用于调整维度适配模型。