一、 第一部分：PyTorch 安装（小白友好，无坑版）

PyTorch 是目前最流行的深度学习框架之一，对新手友好、文档完善，支持快速搭建神经网络，无需复杂配置，直接用pip安装即可。

核心目标

成功安装 PyTorch，验证环境可用，为后续张量操作和网络搭建铺路。

步骤 1：确认 Python 环境

确保你的电脑已安装 Python（3.8~3.11 版本最佳，兼容性最好），打开 cmd 输入以下命令验证：

python --version

• 若显示Python 3.x.x（x 在 8~11 之间），符合要求；若未安装，先安装对应版本 Python 并配置环境变量。

步骤 2：选择 PyTorch 安装命令（关键：适配 CPU 版本，无需 GPU）

小白入门无需 GPU（显卡要求高、配置复杂），优先安装CPU 版本，足够完成基础学习和简单项目。

1. 打开 PyTorch 官网：PyTorch Official Website
2. 官网自动适配环境，选择以下配置（小白直接照抄）：
   • PyTorch Build：Stable（稳定版）
   • Your OS：Windows
   • Package：Pip
   • Language：Python
   • Compute Platform：CPU
3. 复制官网生成的安装命令（如果下载速度慢可使用国内镜像优化版，避免下载超时）：

# 核心安装命令（清华镜像源，加速下载）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu -i https://pypi.tuna.tsinghua.edu.cn/simple

步骤 3：执行安装命令

打开 cmd，粘贴上述命令并回车，等待安装完成（约 5~10 分钟，取决于网络速度），无报错即说明安装进度正常。

步骤 4：验证 PyTorch 安装成功

1. cmd 中输入python，进入 Python 交互环境。
2. 依次输入以下两行代码，无报错且输出True，说明安装成功：

import torch
print(torch.cuda.is_available())  # CPU版本输出False，GPU版本输出True，均正常

1. 输入exit()退出 Python 交互环境。

小白常见安装问题解决

1. 安装报错「TimeoutError」：网络波动导致，重新执行安装命令即可，或切换到手机热点下载。
2. 导入报错「No module named 'torch'」：安装未成功，检查 Python 版本是否符合（3.8~3.11），重新执行安装命令。
3. 提示 “缺少依赖”：先升级pip，命令：python -m pip install --upgrade pip -i https://pypi.tuna.tsinghua.edu.cn/simple，再重新安装 PyTorch。

---

二、 第二部分：张量（Tensor）—— PyTorch 的 “高级数组”

核心目标

理解张量的本质（高级数组）、常用操作，掌握 “张量是 PyTorch 中数据处理的核心载体”，后续神经网络的输入、计算、输出都是以张量为基础。

1. 小白通俗理解

张量 = PyTorch 中的 “数据容器”，高级版的 Numpy 数组，核心功能是 “存储数据 + 支持深度学习所需的各种计算（如矩阵乘法、梯度计算）”。

• 类比：Numpy 数组是 “普通行李箱”，只能装普通数据；张量是 “智能行李箱”，不仅能装数据，还支持深度学习所需的 “自动称重、自动整理” 等高级功能（梯度计算、GPU 加速）。
• 核心区别：张量支持自动求梯度（神经网络训练的核心需求），Numpy 数组不支持；张量可迁移到 GPU 上加速计算，Numpy 数组不可。

2. 张量的常见维度（小白必懂，无需深究术语）

张量有不同维度，对应不同的数据类型，入门只需掌握 3 种最常用的：

张量维度	通俗名称	对应数据类型	示例
0 维张量	标量	单个数值（如 10、3.14）	一个学生的成绩：95
1 维张量	向量	一维数组（如 [1,2,3]）	一个学生的各科成绩：[85, 90, 79]
2 维张量	矩阵	二维数组（如 [[1,2],[3,4]]）	3 个学生的各科成绩：[[85,90],[92,86],[78,93]]

3. 小白实操：张量的常用操作（直接复制运行）

新建pytorch_tensor_demo.py文件，粘贴以下代码，用python pytorch_tensor_demo.py运行，直观理解张量的创建、转换、基本计算。

python

# 步骤1：导入PyTorch库
import torch
import numpy as np

# 步骤2：创建张量（5种常用方式，小白重点掌握前3种）
print("=== 1. 张量的创建 ===")
# 方式1：从Python列表创建
tensor1 = torch.tensor([1, 2, 3, 4, 5])
print("从列表创建的1维张量：", tensor1)

# 方式2：创建全0张量（常用作初始化）
tensor2 = torch.zeros((2, 3))  # 2行3列的二维张量
print("全0二维张量：\n", tensor2)

# 方式3：创建全1张量
tensor3 = torch.ones((3, 2))  # 3行2列的二维张量
print("全1二维张量：\n", tensor3)

# 方式4：从Numpy数组转换（常用，衔接之前学的Numpy）
np_array = np.array([[6, 7], [8, 9]])
tensor4 = torch.from_numpy(np_array)
print("从Numpy数组转换的张量：\n", tensor4)

# 方式5：创建随机张量（数值在0~1之间，常用作神经网络权重初始化）
tensor5 = torch.rand((2, 2))
print("随机二维张量：\n", tensor5)

# 步骤3：张量的基本属性（查看维度、形状、数据类型）
print("\n=== 2. 张量的基本属性 ===")
print("张量1的维度：", tensor1.dim())
print("张量2的形状（行×列）：", tensor2.shape)
print("张量3的数据类型：", tensor3.dtype)

# 步骤4：张量的简单计算（加减乘除，和Numpy数组用法类似）
print("\n=== 3. 张量的简单计算 ===")
a = torch.tensor([10, 20, 30])
b = torch.tensor([1, 2, 3])
print("张量a + 张量b：", a + b)
print("张量a × 张量b：", a * b)

# 1. 将1维张量a转为2维列矩阵
a_2d = a.unsqueeze(dim=1)
# 2. 使用a_2d.mT进行矩阵转置，再做矩阵乘法
print("张量a的矩阵乘法（与自身转置）：", torch.matmul(a_2d, a_2d.mT))
# =================================

# 步骤5：张量与Numpy数组的转换（双向转换，衔接旧知识）
print("\n=== 4. 张量与Numpy数组转换 ===")
# 张量 → Numpy数组
tensor_to_np = tensor1.numpy()
print("张量转Numpy数组：", tensor_to_np, type(tensor_to_np))

# Numpy数组 → 张量
np_to_tensor = torch.from_numpy(tensor_to_np)
print("Numpy数组转张量：", np_to_tensor, type(np_to_tensor))

4. 运行结果解读

1. 终端依次输出不同方式创建的张量，能直观看到 0 维 / 1 维 / 2 维张量的形态差异。
2. 张量的属性和计算结果与 Numpy 数组高度相似，小白容易上手，无需重新学习新的语法。
3. 重点体会：张量是 PyTorch 中数据的 “标准格式”，后续搭建神经网络时，所有输入数据都必须转换成张量格式。

5. 小白必记：张量的核心作用

1. 数据存储：承载神经网络的输入数据（如图片像素、特征值）、权重参数、输出结果。
2. 支持高级计算：提供矩阵乘法、转置等深度学习必备的计算功能，比 Numpy 更高效。
3. 自动求梯度：这是张量最核心的优势，神经网络训练时，能自动计算参数的梯度，实现权重的自动更新（小白暂时不用深究，知道这个功能即可）。

---

三、 第三部分：用 PyTorch 搭建简单神经网络（用现成模块，无需手写）

核心目标

掌握 PyTorch 搭建神经网络的固定流程，用现成模块（torch.nn）快速搭建一个简单的二分类神经网络，理解 “层的堆叠” 和 “前向传播”，无需手动编写神经元和激活函数。

1. 搭建前的核心认知（小白必记）

PyTorch 提供了torch.nn模块（神经网络核心模块），封装了所有常用的网络层（如全连接层）、激活函数，小白只需 “像搭积木一样” 堆叠层，即可快速搭建神经网络。

• 核心模块：torch.nn.Linear（全连接层，最基础的网络层，入门必用）。
• 核心激活函数：torch.nn.ReLU（隐藏层激活函数）、torch.nn.Sigmoid（二分类输出层激活函数）。
• 固定流程：定义网络类 → 创建网络实例 → 准备张量输入 → 前向传播输出结果。

2. 小白实操：搭建简单神经网络（判断学生是否及格）

新建pytorch_nn_demo.py文件，粘贴以下代码，直接运行，全程注释详细，小白能看懂每一步的作用。

python

# 步骤1：导入所需库
import torch
import torch.nn as nn  # 神经网络核心模块

# 步骤2：定义神经网络类（继承nn.Module，固定写法）
# 任务：根据学生的3科成绩（输入），判断是否及格（输出：0=不及格，1=及格）
class SimpleNN(nn.Module):
    def __init__(self):
        # 调用父类构造函数，固定写法
        super(SimpleNN, self).__init__()
        
        # 搭建网络层：像搭积木一样堆叠层（全连接层+激活函数）
        # 第一层：输入层 → 隐藏层（输入3个特征→10个神经元，ReLU激活函数）
        self.layer1 = nn.Linear(in_features=3, out_features=10)  # 全连接层
        self.relu = nn.ReLU()  # 隐藏层激活函数
        
        # 第二层：隐藏层 → 输出层（10个神经元→1个输出，Sigmoid激活函数，输出0~1概率）
        self.layer2 = nn.Linear(in_features=10, out_features=1)
        self.sigmoid = nn.Sigmoid()  # 二分类输出层激活函数

    # 定义前向传播流程（数据的传递路径，固定写法）
    def forward(self, x):
        # 数据路径：输入x → 第一层全连接 → ReLU激活 → 第二层全连接 → Sigmoid激活 → 输出
        out = self.layer1(x)
        out = self.relu(out)
        out = self.layer2(out)
        out = self.sigmoid(out)
        return out

# 步骤3：创建神经网络实例（相当于“造一个模型出来”）
model = SimpleNN()
print("=== 简单神经网络结构 ===")
print(model)  # 打印网络结构，直观看到层的堆叠

# 步骤4：准备输入数据（转换成张量格式，3科成绩：[语文, 数学, 英语]）
# 输入：2个学生的3科成绩（二维张量：2行3列，对应2个样本，3个特征）
input_tensor = torch.tensor([[50, 60, 70], [80, 90, 85]], dtype=torch.float32)
print("\n=== 输入张量（2个学生的3科成绩）===")
print(input_tensor)

# 步骤5：前向传播（将输入数据传入模型，获取输出结果）
output = model(input_tensor)
print("\n=== 模型输出结果（及格概率）===")
print(output)

# 步骤6：结果解读（概率≥0.5判定为及格，＜0.5判定为不及格）
print("\n=== 结果解读 ===")
for i, prob in enumerate(output):
    result = "及格" if prob >= 0.5 else "不及格"
    print(f"第{i+1}个学生，及格概率：{prob.item():.4f}，判定结果：{result}")

3. 运行结果解读

1. 终端先打印神经网络结构，能看到我们定义的两层全连接层和激活函数，清晰直观。
2. 输入 2 个学生的成绩张量，模型通过前向传播输出两个概率值（0~1 之间）。
3. 根据概率值判定是否及格，小白能直观看到 “输入→模型→输出” 的完整流程，这就是一个最简单的神经网络的工作过程。

4. 核心知识点解读（小白必懂）

1. 网络类定义：必须继承nn.Module（PyTorch 神经网络的基类），这是固定写法，无需修改。
2. __init__()方法：用于搭建网络层，nn.Linear(in_features, out_features)是全连接层，in_features是输入特征数，out_features是输出神经元数（隐藏层可自由设置）。
3. forward()方法：定义数据的 “前向传播路径”，即数据在网络中的传递顺序，必须手动编写，这是神经网络的核心。
4. 激活函数的位置：隐藏层后用ReLU，输出层后用Sigmoid（二分类任务），和之前学的神经网络基础知识点一致。
5. 张量数据类型：输入张量必须是float32类型（深度学习常用数据类型），否则会报错，用dtype=torch.float32指定即可。

5. 小白避坑指南

1. 报错「Expected floating point type but got long」：输入张量的数据类型是整数，未指定float32，添加dtype=torch.float32即可。
2. 报错「size mismatch」：网络层的输入输出特征数不匹配（比如layer1输出 10 个神经元，layer2输入应该也是 10），检查in_features和out_features的数值是否对应。
3. 不理解 “前向传播”：简单理解为 “数据从输入层到输出层的单向传递过程”，就像水流过管道，从入口到出口，中途经过层层处理。

---

总结

1. PyTorch 安装：小白优先安装CPU 版本，用官网提供的pip命令 + 国内镜像源，验证安装的核心是import torch无报错且torch.cuda.is_available()输出False。
2. 张量：PyTorch 的 “高级数组”，核心作用是存储数据 + 支持深度学习计算 + 自动求梯度，常用操作和 Numpy 相似，入门掌握创建、转换、简单计算即可。
3. 简单神经网络搭建：固定流程「定义网络类→创建实例→准备张量输入→前向传播」，用nn.Linear搭建全连接层，ReLU/Sigmoid作为激活函数，像搭积木一样堆叠层即可。
4. 关键认知：PyTorch 封装了大量现成模块，小白无需手写神经元和复杂公式，专注于 “网络结构的设计” 和 “数据的传递流程”，为后续深度学习进阶铺路。