Python 第三方库：PyTorch（动态计算图的深度学习框架）

PyTorch 是由 Facebook AI Research（FAIR）团队于 2016 年开源的深度学习框架。

它以动态图（Dynamic Computation Graph）、易用性和科研友好性著称，广泛应用于学术研究和工业界的深度学习任务。

PyTorch 提供了与 NumPy 类似的张量操作接口，同时具备自动求导功能，支持 GPU 加速，并能与 Python 生态（NumPy、SciPy、scikit-learn 等）紧密结合。

安装：CPU 版本

nginx 复制代码

pip install torch torchvision torchaudio

GPU 版本（需 CUDA 环境）：

官方推荐使用官网安装指令生成器：PyTorch Get Started。

示例（CUDA 11.8）：

perl 复制代码

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

常见应用场景：

（1）学术研究：灵活的动态图机制适合快速试验新模型。

（2）计算机视觉：通过 torchvision 提供丰富的数据集与预训练模型。

（3）自然语言处理：HuggingFace Transformers 等主流 NLP 库均基于 PyTorch。

（4）强化学习：易于构建复杂的交互式训练流程。

（5）工业部署：通过 TorchScript、ONNX、LibTorch 可扩展到生产环境。

◆ ◆ ◆

核心概念

1、张量（Tensor）

PyTorch 的核心数据结构，类似 NumPy 数组，但支持 GPU 加速。

2、动态计算图（Define-by-Run）

与 TensorFlow 1.x 的静态图不同，PyTorch 在运行时构建计算图，更加直观灵活。

3、自动求导（Autograd）

torch.autograd 自动追踪张量操作，支持梯度反向传播。

4、模块化神经网络（torch.nn）

提供丰富的层、损失函数和优化器，便于快速构建复杂模型。

5、数据加载（torch.utils.data）

提供 Dataset 和 DataLoader 抽象，支持批处理、打乱和并行加载。

6、部署支持

TorchScript：将动态图转换为可优化的静态图。

ONNX：跨框架导出与部署。

◆ ◆ ◆

应用举例

例 1：张量运算

go 复制代码

import torch
x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)y = torch.tensor([[5, 6], [7, 8]], dtype=torch.float32)
print(torch.matmul(x, y))  # 矩阵乘法

例 2：自动求导

makefile 复制代码

import torch
x = torch.ones(2, 2, requires_grad=True)y = x + 2z = y * y * 3out = z.mean()
out.backward()  # 反向传播print(x.grad)   # 梯度

例 3：定义神经网络

python 复制代码

import torchimport torch.nn as nnimport torch.nn.functional as F
class Net(nn.Module):    def __init__(self):        super(Net, self).__init__()        self.fc1 = nn.Linear(784, 128)        self.fc2 = nn.Linear(128, 10)
    def forward(self, x):        x = F.relu(self.fc1(x))        return self.fc2(x)
net = Net()print(net)

例 4：训练循环（以 MNIST 为例）

python 复制代码

import torchimport torch.nn as nnimport torch.optim as optimfrom torchvision import datasets, transforms
# 数据预处理transform = transforms.Compose([transforms.ToTensor()])
train_loader = torch.utils.data.DataLoader(    datasets.MNIST('.', train=True, download=True, transform=transform),    batch_size=64, shuffle=True)
# 模型与优化器model = Net()optimizer = optim.Adam(model.parameters(), lr=0.001)criterion = nn.CrossEntropyLoss()
# 训练一个 epochfor data, target in train_loader:    optimizer.zero_grad()    output = model(data.view(-1, 784))    loss = criterion(output, target)    loss.backward()    optimizer.step()
print("训练完成")

例 5：保存与加载模型

makefile 复制代码

# 保存参数torch.save(model.state_dict(), "model.pth")
# 加载参数new_model = Net()new_model.load_state_dict(torch.load("model.pth"))new_model.eval()

例 6：GPU 加速

makefile 复制代码

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")model.to(device)

◆ ◆ ◆

常用模块速览

torch.Tensor

张量数据结构。

torch.autograd

自动求导系统。

torch.nn

神经网络模块。

torch.optim

优化器（SGD、Adam 等）。

torchvision

计算机视觉工具包。

torch.utils.data

数据加载工具。

torch.jit

TorchScript（部署）。

torch.onnx

ONNX 导出。

📘 小结

PyTorch 是动态计算图驱动的深度学习框架，以灵活性和易用性著称。

它不仅在学术研究中占据主导地位，也通过 TorchScript、ONNX 等工具进入工业部署领域。

凭借强大的生态系统（如 torchvision、HuggingFace Transformers、PyTorch Lightning），PyTorch 已成为科研与工程并重的主流 AI 框架。

"点赞有美意，赞赏是鼓励"