PyTorch 是一个流行的开源机器学习库，广泛用于构建深度学习模型。以下是一些 PyTorch 的核心概念和指南：

安装 PyTorch

首先，您需要安装 PyTorch。您可以从PyTorch 官网下载适合您系统的安装包。

核心概念

  • 张量 (Tensor): 张量是 PyTorch 中的基本数据结构，类似于 NumPy 的数组。
  • 神经网络 (Neural Network): PyTorch 提供了构建和训练神经网络的各种工具和层。
  • 损失函数 (Loss Function): 损失函数用于衡量模型预测值与真实值之间的差异。

快速开始

  1. 导入 PyTorch 库：

    import torch

  2. 创建张量：

    x = torch.tensor([1, 2, 3])

  3. 神经网络示例：

    import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 50, 5)
        self.fc1 = nn.Linear(4*4*50, 500)
        self.fc2 = nn.Linear(500, 10)

    def forward(self, x):
        x = torch.relu(self.conv1(x))
        x = torch.max_pool2d(x, 2, 2)
        x = torch.relu(self.conv2(x))
        x = torch.max_pool2d(x, 2, 2)
        x = x.view(-1, 4*4*50)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

  4. 训练模型：

    net = Net()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
loss_function = nn.CrossEntropyLoss()

for epoch in range(2):  # loop over the dataset multiple times
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = loss_function(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print(f'Epoch {epoch + 1}, Loss: {running_loss / len(trainloader)}')

资源

PyTorch Logo