从零开始的PyTorch【01】：环境配置与初探索-CSDN博客

本文链接：https://blog.csdn.net/lewiz_124/article/details/141572153

从零开始的PyTorch【01】：环境配置与初探索

什么是PyTorch？

PyTorch是一个开源的深度学习框架，由Facebook’s AI Research lab（FAIR）开发。它的设计目标是使深度学习的研究和开发变得更加容易和灵活。与其他框架相比，PyTorch的动态计算图（Dynamic Computation Graph）使得它更具可操作性和调试友好性，这也是很多研究人员和开发者钟爱它的原因。

为什么选择PyTorch？

易于上手：PyTorch的语法简洁、易于理解，特别适合刚接触深度学习的初学者。
动态计算图：不同于TensorFlow的静态计算图，PyTorch允许你在运行时定义和调整模型，这使得调试和实验变得更加直观。
社区支持：PyTorch有着活跃的社区支持，丰富的文档和教程能帮助你快速解决遇到的问题。

安装PyTorch

开始之前，你需要在你的机器上安装PyTorch。安装方法根据你的操作系统和硬件配置（CPU或GPU）有所不同。通常，我们推荐使用pip或conda进行安装。

使用pip安装：

pip install torch torchvision torchaudio

使用conda安装：

conda install pytorch torchvision torchaudio -c pytorch

你可以通过访问PyTorch官网来获取适合你系统的详细安装指引。

Jupyter Notebook的安装与使用

在学习深度学习过程中，Jupyter Notebook 是一个非常有用的工具。它不仅可以帮助你编写和测试代码，还可以非常方便地记录你的学习过程，进行可视化展示。Jupyter Notebook的交互式环境非常适合进行深度学习的实验，因为你可以逐行运行代码并立即查看结果，这对于调试和理解复杂的模型结构非常有帮助。

安装Jupyter Notebook：

如果你已经安装了conda，可以通过以下命令安装Jupyter Notebook：

conda install -c conda-forge notebook

或者使用pip安装：

pip install notebook

安装完成后，你可以通过以下命令启动Jupyter Notebook：

jupyter notebook

这将会在你的默认浏览器中打开一个新页面，显示当前目录下的文件结构。你可以创建一个新的Notebook，选择Python 3作为内核，并开始你的深度学习之旅。

什么是张量？

在深度学习和PyTorch中，张量（Tensor） 是最基础的数据结构。你可以把它看作是一个多维数组或矩阵。张量与Numpy中的ndarray非常相似，但它更强大，能够在GPU上运行，从而加速计算。

张量的维度：

标量（0维张量）：一个单一的数值，如3或-7.5。
向量（1维张量）：一组数值，例如[1.0, 2.0, 3.0]，这相当于一个一维数组。
矩阵（2维张量）：一个二维的数值表格，例如[[1.0, 2.0], [3.0, 4.0]]。
更高维的张量：例如三维张量可以用来表示彩色图像（通道、宽度、高度）。

张量是深度学习中表示和操作数据的基本单元。无论你是在定义模型的参数，还是在处理输入输出数据，张量都是不可或缺的。

第一个PyTorch程序

要真正理解一个深度学习框架，最好的方式就是动手实践。我们从一个简单的程序开始，它将帮助你理解PyTorch的基本操作。

启动Jupyter Notebook后，创建一个新的Notebook文件。
选择内核，即指定装有pytorch的python环境。
在第一个单元格中输入以下代码并运行：

import torch

# 创建一个张量
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])

# 张量加法
z = x + y

print("x:", x)
print("y:", y)
print("z:", z)

解析：

导入PyTorch库：我们首先需要导入torch库，这是使用PyTorch进行所有操作的基础。
创建张量：张量是PyTorch的核心数据结构，类似于Numpy中的数组，但更加强大。这里我们创建了两个简单的张量x和y。
张量加法：这一步展示了PyTorch中张量的基本运算。你可以看到，操作是直观的，结果直接通过print输出。

在这里插入图片描述

理解自动求导（Autograd）

深度学习的一个关键部分是梯度计算，而PyTorch提供了自动求导工具Autograd。让我们来看一个简单的示例，了解如何使用Autograd计算梯度。

import torch

# 创建一个张量，并设置requires_grad=True以便追踪梯度
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)

# 定义一个简单的函数y = x^2
y = x ** 2

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

# 输出x的梯度
print(x.grad)

解析：

梯度追踪：通过设置requires_grad=True，我们告诉PyTorch这个张量需要计算和存储梯度。
反向传播：调用y.backward()，计算函数y关于x的梯度，并将其存储在x.grad中。
查看结果：输出的x.grad就是y关于x的导数，即梯度。

在这里插入图片描述

小结

在这篇文章中，我们初步了解了PyTorch是什么以及它的基本操作。我们从安装开始，编写了第一个简单的PyTorch程序，并探索了PyTorch的核心功能之一：自动求导。此外，我们还介绍了Jupyter Notebook的使用方法及其在学习深度学习中的重要性。作为学习的一部分，我建议你反复实验和尝试不同的操作，这样才能更好地理解和掌握PyTorch。

下一篇文章中，我们将深入探讨如何构建一个简单的神经网络，并使用PyTorch进行训练和优化。敬请期待！