PyTorch 是一个非常灵活且强大的深度学习框架，它支持动态计算图，并且在研究和生产环境中都非常受欢迎。下面是使用 PyTorch 的基本步骤：
1. 安装 PyTorch
确保你已经安装了 Python 和 pip。然后可以通过 pip 安装 PyTorch：
pip install torch torchvision torchaudio
2. 导入 PyTorch
在你的 Python 脚本或 Jupyter notebook 中导入 PyTorch 库：
import torch
3. 检查安装
你可以运行一些简单的代码来检查 PyTorch 是否正确安装：
print(torch.__version__)
x = torch.tensor([1.0, 2.0])
print(x)
4. 创建张量
张量是 PyTorch 中的核心数据结构，类似于 NumPy 数组，但提供了 GPU 支持和其他功能：
# 创建一个张量
x = torch.tensor([[1., -1.], [1., 1.]])
print(x)
# 创建一个随机张量
y = torch.randn(2, 3)
print(y)
5. 张量操作
PyTorch 提供了大量的张量操作，如加法、乘法等：
# 张量加法
z = x + y
print(z)
# 张量乘法
w = torch.mm(x, y.t()) # 注意这里的转置
print(w)
6. 自动微分
PyTorch 的自动微分功能使得梯度计算变得非常简单：
x = torch.tensor(1.0, requires_grad=True)
y = x * x
y.backward()
print(x.grad)
7. 构建神经网络
使用 torch.nn 模块来创建神经网络层：
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(2, 10)
self.fc2 = nn.Linear(10, 1)
def forward(self, x):
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
net = Net()
print(net)
8. 定义损失函数和优化器
选择一个损失函数和优化器：
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01)
9. 训练模型
加载数据并训练模型：
# 示例数据
X_train = torch.tensor([[0.0, 0.0], [1.0, 0.0], [0.0, 1.0], [1.0, 1.0]], dtype=torch.float32)
y_train = torch.tensor([0.0, 1.0, 1.0, 0.0], dtype=torch.float32).view(-1, 1)
# 训练循环
for epoch in range(100):
optimizer.zero_grad() # 清除梯度
outputs = net(X_train)
loss = criterion(outputs, y_train)
loss.backward() # 反向传播
optimizer.step() # 更新权重
if (epoch+1) % 10 == 0:
print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))
10. 测试模型
使用模型进行预测：
with torch.no_grad():
inputs = torch.tensor([[0.0, 0.0], [1.0, 1.0]], dtype=torch.float32)
outputs = net(inputs)
predicted = (outputs > 0.5).float()
print(predicted)
