一、PyTorch 安装说明：安装环境基于windows环境

安装前准备确保你已安装 Python（推荐 3.8 - 3.11），并建议使用虚拟环境（如 conda 或 venv）。
安装命令

安装 CPU 版本

pip install torch

或者安装带 CUDA 支持的版本（根据你的显卡选择）

可以在官网 https://pytorch.org/get-started/locally/ 获取安装命令

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 说明：pyTorch应为是基于python语言的一个框架组件，所以其安装就是pip安装相关代码包即可。二、PyTorch 基础概念

Tensors（张量） PyTorch 的核心数据结构是张量（Tensor），类似于 NumPy 的 ndarray，但支持 GPU 加速。 import torch

创建一个 2x3 的张量

x = torch.rand(2, 3) print(x)

张量运算

y = torch.rand(2, 3) z = x + y print(z)

将张量转为 NumPy 数组

print(z.numpy())

从 NumPy 数组创建张量

import numpy as np a = np.random.rand(2, 3) b = torch.from_numpy(a) 2. 自动求导（Autograd） PyTorch 的 autograd 模块可以自动计算梯度，是训练神经网络的关键。

创建一个需要计算梯度的张量

x = torch.ones(2, 2, requires_grad=True) print(x)

前向传播

y = x + 2 z = y * y * 3 out = z.mean()

反向传播

out.backward()

查看梯度

print(x.grad) # d(out)/dx

三、构建神经网络使用 torch.nn 构建神经网络，通常需要继承 nn.Module 类。示例：构建一个简单的全连接网络 import torch.nn as nn

class Net(nn.Module): def init(self): super(Net, self).init() self.fc1 = nn.Linear(10, 50) # 第一层 self.fc2 = nn.Linear(50, 1) # 输出层

def forward(self, x):
    x = torch.relu(self.fc1(x))   # 使用 ReLU 激活函数
    x = self.fc2(x)
    return x

实例化网络

model = Net() print(model)

四、训练神经网络训练流程包括：前向传播、损失计算、反向传播、参数更新。

定义损失函数和优化器 import torch.optim as optim

criterion = nn.MSELoss() # 均方误差损失函数 optimizer = optim.Adam(model.parameters(), lr=0.01) # Adam 优化器 2. 构建训练循环

生成随机数据（模拟数据）

x_train = torch.randn(100, 10) # 输入：100 个样本，每个有 10 个特征 y_train = torch.randn(100, 1) # 输出：100 个目标值

训练循环

for epoch in range(100): # 前向传播 outputs = model(x_train) loss = criterion(outputs, y_train)

# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()

if (epoch + 1) % 10 == 0:
    print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}')

五、保存和加载模型

保存模型 torch.save(model.state_dict(), ‘model.pth’) print(“模型已保存”)
加载模型 model = Net() model.load_state_dict(torch.load(‘model.pth’)) model.eval() # 设置为评估模式

六、使用 GPU 加速（可选）如果你有支持 CUDA 的 GPU，可以将模型和数据移到 GPU 上训练。 device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)

model.to(device) x_train = x_train.to(device) y_train = y_train.to(device)

七、常用模块介绍模块说明 torch.nn 构建神经网络的核心模块 torch.nn.functional 提供激活函数、损失函数等功能性函数 torch.optim 优化器模块，如 SGD、Adam torch.utils.data.Dataset 自定义数据集类 torch.utils.data.DataLoader 数据加载器，支持批量加载和打乱 torchvision 图像相关工具，提供数据集、模型、变换等

八、推荐学习资源资源说明 PyTorch 官网官方文档、教程、模型库 PyTorch 中文社区中文教程、案例、社区支持 Deep Learning with PyTorch: A 60 Minute Blitz 官方入门教程动手学深度学习（PyTorch版）免费在线书，配套代码 Kaggle Learn PyTorch Kaggle 提供的实战课程

九、总结学习阶段内容初级张量操作、自动求导、线性回归中级神经网络构建、图像分类（如 MNIST、CIFAR-10）高级 CNN、RNN、Transformer、模型部署、分布式训练后续我们将进一步学习图像分类任务（如 MNIST）或文本分类任务。

适合初学者的基于PyTorch模型训练教程