PythonPytorch包详解

来源：这里教程网时间：2026-02-16 11:49:55 作者：

一、PyTorch的核心特性（新手最需要了解）

1. 核心数据结构：张量（Tensor）

张量是PyTorch的基础，你可以把它理解为“升级版的NumPy数组”——它和NumPy的数组用法类似，但支持GPU加速（NumPy只能用CPU），是深度学习中存储数据、传递数据的核心容器。

简单代码示例：

import torch  # 导入PyTorch包
# 1. 创建一个简单的张量（类似NumPy的数组）
x = torch.tensor([[1, 2], [3, 4]])
print("基础张量：")
print(x)
# 2. 张量的基本运算（和NumPy用法几乎一致）
y = torch.tensor([[5, 6], [7, 8]])
z = x + y  # 张量加法
print("\n张量加法结果：")
print(z)
# 3. 切换到GPU（如果有GPU的话）
if torch.cuda.is_available():
    x_gpu = x.to("cuda")  # 把张量移到GPU上
    print("\nGPU上的张量：")
    print(x_gpu)

输出示例：

基础张量：
tensor([[1, 2],
        [3, 4]])
张量加法结果：
tensor([[ 6,  8],
        [10, 12]])
GPU上的张量：
tensor([[1, 2],
        [3, 4]], device='cuda:0')

2. 自动求导（Autograd）—— 深度学习的“核心神器”

深度学习的核心是“反向传播”（通过计算误差调整模型参数），而反向传播需要计算梯度（导数）。PyTorch的autograd模块能自动计算梯度，不用你手动推导数学公式，这极大降低了开发难度。

简单代码示例：

import torch
# 创建张量并开启梯度追踪（requires_grad=True）
x = torch.tensor(2.0, requires_grad=True)
# 定义一个简单的函数 y = x² + 3x + 1
y = x**2 + 3*x + 1
# 反向传播，计算y对x的导数
y.backward()
# 输出导数结果（y'=2x+3，x=2时，导数=7）
print("y对x的导数：", x.grad)

输出：

y对x的导数： tensor(7.)

3. 动态计算图——新手友好的核心优势

PyTorch采用“动态计算图”：你可以像写普通Python代码一样，边运行边构建模型的计算逻辑，调试时能逐行查看结果，就像调试普通Python程序一样简单。

而早期的TensorFlow（另一个主流框架）是“静态计算图”：需要先定义好所有逻辑，再一次性运行，新手调试起来很困难。这也是PyTorch更受新手和科研人员欢迎的关键原因。

4. 丰富的神经网络工具（torch.nn）

PyTorch内置了torch.nn模块，封装了深度学习所需的所有核心组件，不用自己手写底层逻辑：

各种网络层：卷积层（CNN用）、循环层（RNN用）、全连接层等；损失函数：均方误差（回归任务）、交叉熵（分类任务）等；优化器：梯度下降、Adam、SGD等（用于调整模型参数）。

简单的神经网络示例（新手不用深究细节，仅感受易用性）：

import torch
import torch.nn as nn
import torch.optim as optim
# 定义一个简单的神经网络（用于手写数字分类）
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        # 定义网络层：输入784维（28x28手写数字），隐藏层128维，输出10维（0-9分类）
        self.fc1 = nn.Linear(784, 128)  # 全连接层
        self.fc2 = nn.Linear(128, 10)   # 输出层
    # 定义前向传播逻辑
    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 激活函数
        x = self.fc2(x)
        return x
# 初始化模型、损失函数、优化器
model = SimpleNet()
criterion = nn.CrossEntropyLoss()  # 分类损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam优化器
print("简单神经网络定义完成：")
print(model)

输出：

简单神经网络定义完成：
SimpleNet(
  (fc1): Linear(in_features=784, out_features=128, bias=True)
  (fc2): Linear(in_features=128, out_features=10, bias=True)
)

二、PyTorch的应用场景

你可以用PyTorch做几乎所有深度学习相关的事情：

计算机视觉（CV）：图像分类、目标检测（比如识别图片里的猫/狗）、图像生成（AI绘画）；自然语言处理（NLP）：ChatGPT类对话机器人、文本翻译、情感分析；语音识别：语音转文字、智能音箱的语音交互；推荐系统：电商的商品推荐、视频平台的内容推荐。

三、使用前置条件

环境：Python 3.7及以上版本；安装：用pip即可快速安装（根据是否有GPU选择命令）：

# CPU版本（新手先装这个）
pip install torch torchvision torchaudio
# GPU版本（需先装CUDA，适合有NVIDIA显卡的用户）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118