PyTorch 深度学习框架核心特性与入门

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.) 

3. 动态计算图——新手友好的核心优势

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。

4. 丰富的神经网络工具（torch.nn）

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：

• 各种网络层：卷积层（CNN 用）、循环层（RNN 用）、全连接层等；
• 损失函数：均方误差（回归任务）、交叉熵（分类任务）等；
• 优化器：梯度下降、Adam、SGD 等（用于调整模型参数）。

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) 
) 

二、PyTorch 的应用场景

你可以用 PyTorch 做几乎所有深度学习相关的事情：

• 计算机视觉（CV）：图像分类、目标检测（比如识别图片里的猫/狗）、图像生成（AI 绘画）；
• 自然语言处理（NLP）：ChatGPT 类对话机器人、文本翻译、情感分析；
• 语音识别：语音转文字、智能音箱的语音交互；
• 推荐系统：电商的商品推荐、视频平台的内容推荐。

三、使用前置条件

• 环境：Python 3.7 及以上版本；

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

总结

1. PyTorch 是 Python 的深度学习框架，核心用于构建、训练神经网络，替代手写底层的数学运算和硬件加速逻辑；
2. 核心优势是动态计算图、自动求导、易用性，对新手和科研人员非常友好；
3. 基础数据结构是张量（Tensor），支持 GPU 加速，内置丰富的神经网络模块（torch.nn），能覆盖绝大多数深度学习场景。