pytorch2.5实例教程

以下是再次为你提供的一个详细的PyTorch使用教程：

一、安装PyTorch

环境准备
- 确保系统已安装合适版本的Python（推荐3.10及以上）。
安装方式
- CPU版本
  - 对于Linux和macOS：
    - 使用命令 pip install torch torchvision torchaudio。
  - 对于Windows：
    - 先处理好依赖项，然后使用类似的pip命令安装。
- GPU版本（依赖于CUDA）
  - 依据CUDA版本在官网查找对应命令。例如，若CUDA为12.4：
    - 执行 conda install pytorch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 pytorch-cuda=12.4 -c pytorch -c nvidia。

二、PyTorch基础概念

张量（Tensors）
- 核心数据结构，类似NumPy数组且可在GPU加速计算。
- 创建方式
  - 从列表创建：
    - 示例：
      - import torch
      - my_list = [1, 2, 3]
      - tensor = torch.tensor(my_list)
  - 创建随机张量：
    - 例如：random_tensor = torch.randn(3, 3)（创建3x3随机正态分布张量）。
计算图与自动微分
- 计算基于构建计算图，操作张量时自动构建。
- 示例：
  - 计算 y = x^2 + 3x 的梯度。
    - x = torch.tensor([2.0], requires_grad = True)
    - y = x ** 2+3 * x
    - y.backward()
    - print(x.grad)

三、创建神经网络模型

定义网络结构

使用 nn.Module 类。

示例（全连接神经网络）：

import torch.nn as nn

复制代码

  class MyNet(nn.Module):
      def __init__(self):
          super(MyNet, self).__init__()
          self.fc1 = nn.Linear(10, 5)
          self.fc2 = nn.Linear(5, 1)
      def forward(self, x):
          x = torch.relu(self.fc1(x))
          x = self.fc2(x)
          return x

模型初始化与参数查看
- 初始化：model = MyNet()
- 参数查看：
  *
  复制代码
```
  for name, param in model.named_parameters():
      print(name, param.size())
```

四、数据处理

数据加载

使用 DataLoader 类，需先创建数据集类（继承 torch.utils.data.Dataset）。

示例：
*

复制代码

  from torch.utils.data import Dataset, DataLoader
  class MyDataset(Dataset):
      def __init__(self):
          self.data = torch.randn(100, 10)
          self.labels = torch.randint(0, 2, (100,))
      def __getitem__(self, index):
          return self.data[index], self.labels[index]
      def __len__(self):
          return len(self.data)
  dataset = MyDataset()
  dataloader = DataLoader(dataset, batch_size = 10, shuffle = True)

数据预处理

以图像数据为例，使用 torchvision.transforms。

示例：
*

复制代码

  import torchvision.transforms as transforms
  transform = transforms.Compose([
      transforms.ToTensor(),
      transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
  ])

五、训练模型

定义损失函数和优化器
- 损失函数
  - 例如回归问题用均方误差（MSE）：criterion = nn.MSELoss()
- 优化器
  - 如随机梯度下降（SGD）：optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)

训练循环

多轮训练：
*

复制代码

  num_epochs = 10
  for epoch in range(num_epochs):
      for batch_data, batch_labels in dataloader:
          optimizer.zero_grad()
          outputs = model(batch_data)
          loss = criterion(outputs, batch_labels)
          loss.backward()
          optimizer.step()
      print(f'Epoch {epoch + 1}, Loss: {loss.item()}')

六、模型评估与预测

模型评估

以分类问题计算准确率为例：
*

复制代码

  correct = 0
  total = 0
  with torch.no_grad():
      for batch_data, batch_labels in dataloader:
          outputs = model(batch_data)
          _, predicted = torch.max(outputs.data, 1)
          total += batch_labels.size(0)
          correct += (predicted == batch_labels).sum().item()
  accuracy = correct / total
  print(f'Accuracy: {accuracy}')

预测新数据

示例：
*

复制代码

  new_data = torch.randn(1, 10)
  with torch.no_grad():
      prediction = model(new_data)
  print(f'Prediction: {prediction}')