🔥 PyTorch 入门指南

PyTorch 是由 Facebook 推出的深度学习框架，特点是动态计算图和 Pythonic 的编程风格，广泛用于科研、教学和生产环境。

---

✅ PyTorch 能解决什么问题？

应用方向	示例任务	适用场景
图像处理	图像分类、目标检测、分割	医疗影像、自动驾驶等
自然语言	情感分析、翻译、问答系统	AI客服、语言模型
时间序列	股价预测、温度预测	金融、气象、IoT
强化学习	游戏智能体、策略优化	智能机器人、游戏AI
定制任务	可控生成模型、图神经网络等	学术研究、创新开发

---

📦 安装

pip install torch torchvision

---

🚀 第一个 PyTorch 示例：线性回归

1️⃣ 导入模块和数据准备

导入 torch
从 torch 导入 nn

X = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y = torch.tensor([[2.0], [4.0], [6.0], [8.0]])

---

2️⃣ 定义模型

模型 = nn.Linear(输入特征数=1, 输出特征数=1)

---

3️⃣ 训练模型

损失函数 = nn.MSELoss()
优化器 = torch.optim.SGD(模型.参数(), 学习率=0.01)

循环 500 次:
优化器.zero_grad()
输出 = 模型(X)
损失 = 损失函数(输出, y)
损失.反向传播()
优化器.step()

---

4️⃣ 使用模型预测

预测 = 模型(torch.tensor([[10.0]]))
打印(预测)

---

🧱 构建神经网络结构

类 神经网络(nn.Module):
  定 初始化(self):
      调用 super()
      self.全连接 = nn.Sequential(
          nn.Linear(784, 128),
          nn.ReLU(),
          nn.Linear(128, 10)
      )
  定 前向(self, x):
      返回 self.全连接(x)

---

🔄 训练流程总结

步骤	内容
数据准备	使用张量、数据集、数据加载器
构建模型	继承 nn.Module 并定义前向传播
定义损失	常用：nn.MSELoss, nn.CrossEntropyLoss
优化器	torch.optim.SGD, Adam 等
训练循环	前向、损失、反向传播、更新

---

🧰 常用组件一览

模块	用途
torch.Tensor	核心数据结构，支持 GPU 运算
torch.nn	模型层结构、损失函数
torch.optim	优化器，如 SGD、Adam
torch.utils.data	数据集与加载器处理
torch.autograd	自动求导系统
torchvision	图像数据集、预训练模型等

---

📦 示例：MNIST 手写数字识别（完整流程）

从 torchvision 导入 datasets, transforms

变换 = transforms.ToTensor()
训练集 = datasets.MNIST(root="./data", train=True, download=True, transform=变换)
测试集 = datasets.MNIST(root="./data", train=False, download=True, transform=变换)

训练加载器 = torch.utils.data.DataLoader(训练集, 批量大小=64, shuffle=True)
测试加载器 = torch.utils.data.DataLoader(测试集, 批量大小=64, shuffle=False)

定义神经网络()
训练多个 epoch
测试准确率

---