一、简介
PyTorch 是由 Meta（原 Facebook） 开源的深度学习框架。其前身 Torch 是一个基于 LuaJIT 的科学计算框架，核心功能是提供高效的张量（Tensor）操作和神经网络支持。由于 Lua 语言的生态限制，Torch 逐渐被 Google 的 TensorFlow 等框架取代。2016年，Meta 的 AI 研究团队基于 Torch 的核心设计理念，使用 Python 重构了动态计算图架构，并创新性地实现了自动微分系统（Autograd），最终发布了 PyTorch。如今 PyTorch 已成为最主流的 AI 框架之一。
二、安装
1 首先，确保已安装 python 和 pip，并且版本满足 PyTorch 的要求。最新版本的 PyTorch 需要 Python 3.9 及更高版本。
python --version pip --version2 使用 pip 安装 pytorch：
pip3 install torch torchvision
3 测试是否安装成功，将这段代码存储到 test.py 文件里，在终端运行 python3 test.py 查看是否正常运行并输出内容。
import torch
print("PyTorch version:", torch.__version__)
x = torch.rand(5, 3)
print("Random tensor:", x)三、概念
1 张量（Tensor）
PyTorch 中的核心数据结构，用于存储和操作多维数组。在 PyTorch 中，张量的概念类似于 NumPy 中的数组，但是 PyTorch 的张量可以运行在不同的设备上，比如 CPU 和 GPU，这使得它们非常适合于进行大规模并行计算，特别是在深度学习领域。
- 维度（Dimensionality）指数据的多维数组结构。例如，一个标量（0维张量）是一个单独的数字，一个向量（1维张量）是一个一维数组，一个矩阵（2维张量）是一个二维数组，以此类推。
- 形状（Shape）指每个维度上的大小。例如，一个形状为(3, 4)的张量意味着它有3行4列。
- 数据类型（Dtype）定义了存储每个元素所需的内存大小和解释方式。PyTorch 支持多种数据类型，包括整数型（如torch.int8、torch.int32）、浮点型（如torch.float32、torch.float64）和布尔型（torch.bool）。
import torch
# 创建一个2x3的全0张量
a = torch.zeros(2, 3)
print(a)
# 创建一个2x3的全1张量
b = torch.ones(2, 3)
print(b)
# 创建一个2x3的随机数张量
c = torch.randn(2, 3)
print(c)
# 从 NumPy 数组创建张量
import numpy as np
numpy_array = np.array([[1, 2], [3, 4]])
tensor_from_numpy = torch.from_numpy(numpy_array)
print(tensor_from_numpy)
# 在指定设备（CPU/GPU）上创建张量
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
d = torch.randn(2, 3, device=device) print(d)输出结果：
再通俗一点的理解：
2 梯度和自动微分
import torch
# 创建一个需要梯度的张量
# requires_grad=True 表示需要自动计算该张量的梯度（类似"请跟踪我的变化"标签）
x = torch.tensor([1.0], requires_grad=True)
# 定义计算图：y = (x + 2)^2
# PyTorch 会自动跟踪所有涉及 x 的操作（相当于用荧光笔标记计算路径）
y = (x + 2) ** 2
# 反向传播计算梯度
# 对于标量 y，不需要传入梯度参数（默认为1.0）
# 计算过程：dy/dx = 2*(x+2)，当 x=1 时，dy/dx=2*(1+2)=6
y.backward()
# 输出 x 的梯度，注意 x.grad 会累积梯度，重复计算时需要清零
print(x.grad) # 输出：tensor([6.])对于梯度的理解，可参考下面两个例子：
- 梯度=8 表示：「增大x会使y剧烈上升」
- 梯度=0.01 表示：「x对y几乎没影响」
3 自动求导（Autograd）
PyTorch 提供了自动求导功能，通过 autograd 模块来自动计算梯度。
在深度学习中，自动求导主要用于两个方面：一是在训练神经网络时计算梯度，二是进行反向传播算法的实现。
自动求导基于链式法则（Chain Rule），这是一个用于计算复杂函数导数的数学法则。链式法则表明，复合函数的导数是其各个组成部分导数的乘积。在深度学习中，模型通常是由许多层组成的复杂函数，自动求导能够高效地计算这些层的梯度。
自动求导和自动微分实际上是同一个概念的不同表述。自动求导是自动微分的一种实现方式，用于计算梯度，从而支持反向传播和模型参数的更新。
动态图与静态图：动态图（Dynamic Graph）：在动态图中，计算图在运行时动态构建。每次执行操作时，计算图都会更新，这使得调试和修改模型变得更加容易。PyTorch 使用的是动态图。静态图（Static Graph）：在静态图中，计算图在开始执行之前构建完成，并且不会改变。TensorFlow 最初使用的是静态图，但后来也支持动态图。
反向传播（Backpropagation）：一旦定义了计算图，可以通过 .backward() 方法来计算梯度。
如果你不希望某些张量的梯度被计算（例如，当你不需要反向传播时），可以使用 torch.no_grad() 或设置 requires_grad=False。
4 神经网络（nn.Module）
神经网络是一种模仿人脑神经元连接的计算模型，由多层节点（神经元）组成，用于学习数据之间的复杂模式和关系。神经网络通过调整神经元之间的连接权重来优化预测结果，这一过程涉及前向传播、损失计算、反向传播和参数更新。神经网络的类型包括前馈神经网络、卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM），它们在图像识别、语音处理、自然语言处理等多个领域都有广泛应用。
PyTorch 提供了一个非常方便的接口来构建神经网络模型，即 torch.nn.Module。
我们可以继承 nn.Module 类并定义自己的网络层。
创建一个简单的神经网络：
import torch.nn as nn
import torch.optim as optim
# 定义一个简单的全连接神经网络
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.fc1 = nn.Linear(2, 2) # 输入层到隐藏层
self.fc2 = nn.Linear(2, 1) # 隐藏层到输出层
def forward(self, x):
x = torch.relu(self.fc1(x)) # ReLU 激活函数
x = self.fc2(x)
return x
# 创建网络实例
model = SimpleNN()
# 打印模型结构
print(model)训练过程
1）前向传播（Forward Propagation）： 在前向传播阶段，输入数据通过网络层传递，每层应用权重和激活函数，直到产生输出。
2）计算损失（Calculate Loss）： 根据网络的输出和真实标签，计算损失函数的值。
3）反向传播（Backpropagation）： 反向传播利用自动求导技术计算损失函数关于每个参数的梯度。
4）参数更新（Parameter Update）： 使用优化器根据梯度更新网络的权重和偏置。
5）迭代（Iteration）： 重复上述过程，直到模型在训练数据上的性能达到满意的水平。
总体：
Pythorch 解题思路（五步解题法）：准备数据、定义模型、训练模型、评估模型、做出预测。
关于训练集和测试集，可以这样通俗地理解：
代码实例：
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
# 创建一些随机数据作为示例
inputs = torch.randn(100, 10) # 100个样本，每个样本10个特征
labels = torch.randint(0, 2, (100,)) # 100个样本的标签，0或1
# 创建数据集和数据加载器
dataset = TensorDataset(inputs, labels)
dataloader = DataLoader(dataset, batch_size=10, shuffle=True)
# 定义一个简单的神经网络
class SimpleNN(nn.Module):
def __init__(self):
super(SimpleNN, self).__init__()
self.fc1 = nn.Linear(10, 50) # 输入层到隐藏层
self.fc2 = nn.Linear(50, 2) # 隐藏层到输出层
def forward(self, x):
x = torch.relu(self.fc1(x)) # 激活函数
x = self.fc2(x)
return x
# 实例化模型、定义损失函数和优化器
model = SimpleNN()
criterion = nn.CrossEntropyLoss() # 交叉熵损失
optimizer = optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降
# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
model.train() # 设置模型为训练模式
running_loss = 0.0
for inputs, labels in dataloader:
optimizer.zero_grad() # 清空梯度
outputs = model(inputs) # 前向传播
loss = criterion(outputs, labels) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新参数
running_loss += loss.item()
print(f"Epoch {epoch+1}, Loss: {running_loss/len(dataloader)}")
# 评估模型（这里简单使用训练数据作为示例）
model.eval() # 设置模型为评估模式
correct = 0
total = 0
with torch.no_grad(): # 禁用梯度计算
for inputs, labels in dataloader:
outputs = model(inputs)
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
print(f"Accuracy: {100 * correct / total}%")
关于向前传播和向后传播的通俗理解：
（持续更新……）
