PyTorch 是一个开源的机器学习库，由 Facebook 的 AI 研究团队开发。它提供了灵活的深度学习框架，适用于各种深度学习模型的研究和开发。

特点

  • 动态计算图：PyTorch 使用动态计算图，这使得模型构建和调试更加直观和灵活。
  • 易于使用：PyTorch 提供了简单易用的 API，使得开发者可以快速上手。
  • 强大的社区支持：PyTorch 拥有一个活跃的社区，提供了大量的教程和资源。

安装

您可以通过以下命令安装 PyTorch：

pip install torch torchvision torchaudio

快速入门

  1. 创建一个神经网络：
import torch
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 3)
        self.conv2 = nn.Conv2d(6, 16, 3)
        self.fc1 = nn.Linear(16 * 6 * 6, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 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, self.num_flat_features(x))
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

    def num_flat_features(self, x):
        size = x.size()[1:]  # 除批次大小外的所有维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

net = Net()

print(net)
  1. 训练网络：
import torch.optim as optim

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

for epoch in range(2):  # 训练两个周期
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:    # 每2000个数据打印一次
            print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 2000:.3f}')
            running_loss = 0.0

print('Finished Training')

更多资源

您可以在本站的 PyTorch 教程 中找到更多关于 PyTorch 的资源。

[

neural_networks
]

[

deep_learning
]