Python Pytorch包详解

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)

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')

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)

y对x的导数： tensor(7.)

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)

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)
)

# 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