欢迎来到我们的 PyTorch 快速入门教程页面！这里我们将带你从基础开始，逐步深入到 PyTorch 的核心功能和高级技巧。

安装 PyTorch

在开始之前，请确保你已经安装了 PyTorch。你可以通过以下链接了解如何安装：

基础概念

以下是 PyTorch 中一些基础的概念：

  • 张量（Tensor）：PyTorch 的核心数据结构，类似于 NumPy 的数组。
  • 自动微分（Autograd）：PyTorch 的自动微分功能，使我们可以轻松地计算梯度。

示例代码

以下是一个简单的 PyTorch 示例，展示了如何创建一个张量并计算它的梯度：

import torch

# 创建一个张量
x = torch.tensor([1.0, 2.0, 3.0])

# 计算梯度
x.backward(torch.tensor([1.0, 1.0, 1.0]))

print(x.grad)  # 输出: tensor([1., 1., 1.])

图像处理

PyTorch 在图像处理方面非常强大。以下是一个简单的图像分类示例：

import torch.nn as nn
import torchvision.transforms as transforms
import torchvision.datasets as datasets
import torch.utils.data as Data

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((32, 32)),
    transforms.ToTensor(),
])

# 加载数据集
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
train_loader = Data.DataLoader(train_dataset, batch_size=4, shuffle=True)

# 定义网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = torch.flatten(x, 1) # flatten all dimensions except batch
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练网络
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 = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

# 保存模型
torch.save(net.state_dict(), 'model.pth')

总结

通过以上教程，你应该对 PyTorch 有了一个基本的了解。如果你想要进一步学习，可以访问以下链接：

希望这个教程能帮助你快速上手 PyTorch！🚀

相关资源