PyTorch 是一个流行的开源深度学习库，它提供了灵活、高效的深度学习框架。本教程将带你从基础入门到进阶使用 PyTorch。

基础概念

  1. 张量（Tensor）：PyTorch 中的主要数据结构，用于存储和操作数据。
  2. 神经网络（Neural Network）：由多个层组成，用于模拟人脑的神经网络结构。
  3. 优化器（Optimizer）：用于调整网络参数，以优化模型性能。

快速开始

要开始使用 PyTorch，你需要先安装它。你可以通过以下命令安装：

pip install torch torchvision

示例代码

以下是一个简单的神经网络示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 实例化模型
model = SimpleNN()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(2):  # loop over the dataset multiple times
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 100 == 99:    # print every 100 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 100))
            running_loss = 0.0

print('Finished Training')

扩展阅读

更多 PyTorch 教程和资源，请访问 PyTorch 官方文档。

图片示例

neural_network