PyTorch 是由 Meta 开发的开源深度学习框架，基于 Python。核心数据结构为张量（Tensor），支持 GPU 加速。主要优势包括自动求导（Autograd）和动态计算图，便于调试和开发。内置 torch.nn 模块提供丰富的神经网络组件。适用于计算机视觉、自然语言处理、语音识别及推荐系统等领域。安装简单，支持 CPU 和 GPU 版本。适合科研人员和新手快速构建训练神经网络模型。
PyTorch 是一款基于 Python 的开源深度学习框架，由 Meta（原 Facebook）的人工智能团队开发维护。其核心作用是帮助开发者高效地构建、训练和部署神经网络（深度学习模型），是目前全球最主流的深度学习工具之一。
可以将深度学习比作'搭建并训练一个智能机器人'：
PyTorch 就是把这些'零件 + 工具 + 加速能力'打包好的工具箱，让你不用从零手写底层代码，专注于实现自己的智能模型。
张量是 PyTorch 的基础，你可以把它理解为'升级版的 NumPy 数组'——它和 NumPy 的数组用法类似，但支持 GPU 加速（NumPy 只能用 CPU），是深度学习中存储数据、传递数据的核心容器。
简单代码示例：
import torch
# 1. 创建一个简单的张量（类似 NumPy 的数组）
x = torch.tensor([[1, 2], [3, 4]])
print("基础张量：")
print(x)
# 2. 张量的基本运算（和 NumPy 用法几乎一致）
y = torch.tensor([[5, 6], [7, 8]])
z = x + y # 张量加法
print("\n张量加法结果：")
print(z)
# 3. 切换到 GPU（如果有 GPU 的话）
if torch.cuda.is_available():
x_gpu = x.to("cuda") # 把张量移到 GPU 上
print("\nGPU 上的张量：")
print(x_gpu)
输出示例：
基础张量： tensor([[1, 2], [3, 4]])
张量加法结果： tensor([[ 6, 8], [10, 12]])
GPU 上的张量： tensor([[1, 2], [3, 4]], device='cuda:0')
深度学习的核心是'反向传播'（通过计算误差调整模型参数），而反向传播需要计算梯度（导数）。PyTorch 的 autograd 模块能自动计算梯度，不用你手动推导数学公式，这极大降低了开发难度。
简单代码示例：
import torch
# 创建张量并开启梯度追踪（requires_grad=True）
x = torch.tensor(2.0, requires_grad=True)
# 定义一个简单的函数 y = x² + 3x + 1
y = x**2 + 3*x + 1
# 反向传播，计算 y 对 x 的导数
y.backward()
# 输出导数结果（y'=2x+3，x=2 时，导数=7）
print("y 对 x 的导数：", x.grad)
输出：
y 对 x 的导数： tensor(7.)
PyTorch 采用'动态计算图'：你可以像写普通 Python 代码一样，边运行边构建模型的计算逻辑，调试时能逐行查看结果，就像调试普通 Python 程序一样简单。
而早期的 TensorFlow（另一个主流框架）是'静态计算图'：需要先定义好所有逻辑，再一次性运行，新手调试起来很困难。这也是 PyTorch 更受新手和科研人员欢迎的关键原因。
PyTorch 内置了 torch.nn 模块，封装了深度学习所需的所有核心组件，不用自己手写底层逻辑：
简单的神经网络示例（新手不用深究细节，仅感受易用性）：
import torch
import torch.nn as nn
import torch.optim as optim
# 定义一个简单的神经网络（用于手写数字分类）
class SimpleNet(nn.Module):
def __init__(self):
super(SimpleNet, self).__init__()
# 定义网络层：输入 784 维（28x28 手写数字），隐藏层 128 维，输出 10 维（0-9 分类）
self.fc1 = nn.Linear(784, 128) # 全连接层
self.fc2 = nn.Linear(128, 10) # 输出层
# 定义前向传播逻辑
def forward(self, x):
x = torch.relu(self.fc1(x)) # 激活函数
x = self.fc2(x)
return x
# 初始化模型、损失函数、优化器
model = SimpleNet()
criterion = nn.CrossEntropyLoss() # 分类损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam 优化器
print("简单神经网络定义完成：")
print(model)
输出：
简单神经网络定义完成：
SimpleNet(
(fc1): Linear(in_features=784, out_features=128, bias=True)
(fc2): Linear(in_features=128, out_features=10, bias=True)
)
你可以用 PyTorch 做几乎所有深度学习相关的事情：
安装：用 pip 即可快速安装（根据是否有 GPU 选择命令）：
# CPU 版本（新手先装这个）
pip install torch torchvision torchaudio
# GPU 版本（需先装 CUDA，适合有 NVIDIA 显卡的用户）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online