在 PyTorch 中，API 设计围绕 "张量操作""自动求导""神经网络构建""训练工具" 等核心模块展开，以下是 ML/DL 中最常用的 API 分类及关键功能介绍，附带典型用法场景：
一、核心：张量（Tensor）操作（torch）
张量是 PyTorch 的基础数据结构（类似 NumPy 数组，但支持 GPU 加速和自动求导），所有计算围绕张量展开。
1. 张量创建
-
torch.tensor(data, dtype=None, device=None)：从数据（列表 / NumPy 数组）创建张量，指定数据类型（如torch.float32）和设备（CPU/GPU）。例：x = torch.tensor([[1,2],[3,4]], dtype=torch.float32) -
快捷创建：
torch.zeros(size)：全 0 张量（如torch.zeros(2,3)）torch.ones(size)：全 1 张量torch.randn(size)：标准正态分布（均值 0，方差 1）torch.arange(start, end, step)：等差数列（如torch.arange(0,10,2)）
2. 张量属性与设备
tensor.shape/tensor.size()：张量维度（如(2,3)表示 2 行 3 列）tensor.dtype：数据类型（如torch.float32、torch.int64）tensor.device：存储设备（cpu或cuda:0）- 设备切换：
tensor.to('cuda')或tensor.cuda()（移到 GPU）；tensor.cpu()（移回 CPU）
3. 常用操作
-
重塑 ：
tensor.reshape(new_shape)（灵活调整维度）、tensor.view(new_shape)（要求连续内存）例：x = torch.randn(4,3); x.reshape(2,6) -
拼接 / 堆叠：
torch.cat([t1, t2], dim=0)：沿指定维度拼接（维度不变，长度增加）torch.stack([t1, t2], dim=0)：新增维度堆叠（维度 + 1）
-
数学运算：
- 逐元素：
torch.add(a,b)（或a+b）、torch.mul(a,b)（或a*b） - 矩阵乘法：
torch.matmul(a,b)（或a @ b，支持高维矩阵） - 聚合：
torch.sum(tensor, dim=0)（按维度求和）、torch.mean()、torch.max()
- 逐元素：
二、自动求导（torch.autograd）
深度学习的核心机制，自动计算张量的梯度（用于反向传播更新参数）。
-
启用梯度跟踪 ：创建张量时指定
requires_grad=True，或用tensor.requires_grad_()启用。例：x = torch.tensor([2.0], requires_grad=True) -
前向传播与梯度计算：
- 定义计算图（如
y = x**2 + 3*x） - 反向传播：
y.backward()（自动计算y对所有requires_grad=True的张量的梯度） - 获取梯度：
x.grad（存储dy/dx的结果）
- 定义计算图（如
-
停止梯度跟踪：
tensor.detach()：返回不跟踪梯度的张量副本with torch.no_grad():：上下文管理器，内部操作不记录梯度（推理时用，节省内存）
三、神经网络模块（torch.nn）
用于快速构建深度学习模型，包含预定义层、激活函数、损失函数等。
1. 模型基类 nn.Module
所有自定义模型必须继承此类，通过forward()定义前向传播逻辑。
例：定义一个简单的线性回归模型
python
import torch.nn as nn
class LinearModel(nn.Module):
def __init__(self):
super().__init__()
self.linear = nn.Linear(in_features=1, out_features=1) # 线性层：y = wx + b
def forward(self, x):
return self.linear(x) # 前向传播：输入x -> 线性层输出2. 常用网络层
- 全连接层 ：
nn.Linear(in_features, out_features)（用于 MLP） - 卷积层 ：
nn.Conv2d(in_channels, out_channels, kernel_size)（2D 卷积，用于 CNN） - 池化层 ：
nn.MaxPool2d(kernel_size)（最大池化，降维） - 循环层 ：
nn.LSTM(input_size, hidden_size, num_layers)（长短期记忆网络，用于序列数据） - 激活函数 ：
nn.ReLU()、nn.Sigmoid()、nn.Softmax(dim=1)（引入非线性） - 正则化层 ：
nn.Dropout(p=0.5)（随机失活，防止过拟合）、nn.BatchNorm2d(num_features)（批归一化）
3. 损失函数（nn.loss）
定义模型预测与真实标签的差距，用于反向传播更新参数。
- 回归任务：
nn.MSELoss()（均方误差）、nn.L1Loss()（平均绝对误差） - 分类任务：
nn.CrossEntropyLoss()（交叉熵，适用于多分类，内置 Softmax）nn.BCELoss()（二元交叉熵，输入需经 Sigmoid）nn.BCEWithLogitsLoss()（结合 Sigmoid 和 BCELoss，更稳定）
四、优化器（torch.optim）
用于根据梯度更新模型参数，最小化损失函数。
-
常用优化器：
optim.SGD(params, lr=0.01, momentum=0.9)：随机梯度下降（带动量加速收敛）optim.Adam(params, lr=0.001)：自适应学习率，适合多数场景（默认首选）optim.RMSprop()、optim.Adagrad()等
-
用法流程：
python
model = LinearModel()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # 传入模型参数和学习率
# 训练时：
optimizer.zero_grad() # 清空上一轮梯度
loss = criterion(output, target) # 计算损失
loss.backward() # 反向传播求梯度
optimizer.step() # 更新参数五、数据加载（torch.utils.data）
用于高效加载和预处理数据，支持批处理、多线程加载。
Dataset：抽象类，需自定义__len__()（数据总数）和__getitem__()（按索引取数据）。例：自定义数据集
python
from torch.utils.data import Dataset
class MyDataset(Dataset):
def __init__(self, x, y):
self.x = x # 特征
self.y = y # 标签
def __len__(self):
return len(self.x)
def __getitem__(self, idx):
return self.x[idx], self.y[idx]DataLoader：包装Dataset，支持批处理、打乱、多线程：
python
from torch.utils.data import DataLoader
dataset = MyDataset(x_data, y_data)
dataloader = DataLoader(
dataset,
batch_size=32, # 每批32个样本
shuffle=True, # 训练时打乱数据
num_workers=4 # 4个线程加载数据
)六、模型保存与加载
- 保存：
torch.save(model.state_dict(), "model.pth")（推荐只保存参数，轻量） - 加载：
python
model = LinearModel()
model.load_state_dict(torch.load("model.pth")) # 加载参数
model.eval() # 切换到评估模式（关闭Dropout/BatchNorm等）七、其他实用工具
torchvision.transforms：图像预处理工具（如ToTensor()转张量、Resize()调整大小、Normalize()标准化）。torch.no_grad()：推理时关闭梯度计算（节省内存）。nn.Sequential：按顺序组合层，简化模型定义（如nn.Sequential(nn.Linear(2,3), nn.ReLU())）。
总结
PyTorch 的 API 设计注重灵活性，核心逻辑可概括为：数据（张量）→ 模型（nn.Module）→ 损失（nn.Loss）→ 优化器（optim）→ 训练循环（前向传播→反向传播→参数更新）。