24 从零到上手系统学习 PyTorch 详细教程

1. 什么是 PyTorch？

PyTorch 是一个开源的深度学习框架，由 Facebook’s AI Research Lab 开发。它基于动态图机制，具有灵活性和易用性，广泛应用于计算机视觉、自然语言处理等领域。

2. 安装 PyTorch

在开始之前，我们需要先安装 PyTorch。可以使用以下命令在终端中安装：

pip install torch torchvision torchaudio

确认安装

安装完成后，可以通过执行以下代码验证安装是否成功：

import torch
print(torch.__version__)

3. PyTorch 基础

3.1 Tensor

Tensor 是 PyTorch 中的核心数据结构，类似于 NumPy 的数组，但支持 GPU 运算。

创建 Tensor

import torch

# 创建一个 2x3 的浮点 Tensor
x = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(x)

3.2 Tensor 运算

PyTorch 提供了丰富的数学运算，可以直接在 Tensor 上进行：

# Tensor 加法
y = torch.tensor([[1.0, 1.0, 1.0], [1.0, 1.0, 1.0]])
z = x + y
print(z)

# 矩阵乘法
a = torch.matmul(x, y.T)
print(a)

3.3 转换 NumPy 数组

可以方便地在 PyTorch Tensor 和 NumPy 数组之间转换：

import numpy as np

# NumPy 数组转 Tensor
array = np.array([[1, 2, 3], [4, 5, 6]])
tensor = torch.from_numpy(array)
print(tensor)

# Tensor 转 NumPy 数组
array_back = tensor.numpy()
print(array_back)

4. 深度学习基础

4.1 神经网络

在 PyTorch 中可以使用 torch.nn 构建神经网络。

创建简单的神经网络

import torch.nn as nn

class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(3, 2)  # 输入层到隐藏层
        self.fc2 = nn.Linear(2, 1)  # 隐藏层到输出层

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

model = SimpleNN()
print(model)

4.2 训练模型

训练模型包括前向传播、计算损失、反向传播以及优化步骤。

示例代码

# 模拟数据
inputs = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
targets = torch.tensor([[1.0], [0.0]])

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

# 训练过程
for epoch in range(100):
    model.train()  # 设置为训练模式
    optimizer.zero_grad()  # 清空梯度

    outputs = model(inputs)  # 前向传播
    loss = criterion(outputs, targets)  # 计算损失
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数

    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/100], Loss: {loss.item():.4f}')

5. 数据加载与预处理

5.1 使用 DataLoader

torch.utils.data 提供了用于处理数据集和批处理数据的工具。

示例代码

from torch.utils.data import DataLoader, TensorDataset

# 创建数据集
dataset = TensorDataset(inputs, targets)
dataloader = DataLoader(dataset, batch_size=1, shuffle=True)

# 遍历 DataLoader
for batch_inputs, batch_targets in dataloader:
    print(batch_inputs, batch_targets)

6. 实战案例：手写数字识别

6.1 数据集准备

使用 torchvision 加载 MNIST 数据集。

import torchvision.transforms as transforms
from torchvision import datasets

transform = transforms.Compose([
    transforms.ToTensor(),  # 转换为 Tensor
    transforms.Normalize((0.5,), (0.5,))  # 归一化
])

train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)

6.2 构建并训练模型

基于前面的知识，可以构建一个更复杂的模型来处理 MNIST。

示例代码

class MNISTNN(nn.Module):
    def __init__(self):
        super(MNISTNN, self).__init__()
        self.fc1 = nn.Linear(28*28, 128)
        self.fc2 = nn.Linear(128, 10)  # 10 类别

    def forward(self, x):
        x = x.view(-1, 28*28)  # 展平
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 实例化模型、定义损失和优化器
model = MNISTNN()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(5):
    for images, labels in train_loader:
        optimizer.zero_grad()  # 清空梯度
        outputs = model(images)  # 前向传播
        loss = criterion(outputs, labels)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数
    print(f'Epoch [{epoch+1}/5], Loss: {loss.item():.4f}')

7. 总结

通过本教程，我们从基础到实战，系统学习了 PyTorch。我们了解了 Tensor 的创建与运算，神经网络的构建与训练，以及如何处理数据集并应用于实际的深度学习任务。希望能帮助你在深度学习的旅程上起到良好的助推作用！