PyTorch 入门教程
"工欲善其事，必先利其器。"
嗨，欢迎来到我的博客第一篇文章！如果你正在为"PyTorch 怎么入门"而焦虑，那你来对地方了（大概）。今天我们就来聊聊如何从零开始，把 PyTorch 跑起来。（不过其实这篇文档默认你有一点点开发基础）
PyTorch 是何意味？
PyTorch 是 Meta（前 Facebook）开源的深度学习框架。如果你听说过 TensorFlow（不过看这篇文章的大部分应该都不知道罢），PyTorch 就是它最强劲的竞争对手。 而且在学术界和工业界，PyTorch 如今已经是当之无愧的主流选择。
PyTorch 最大的特点是动态计算图（Dynamic Computation Graph），这就是说，你写的代码就像普通 Python 一样直观，随时可以调试、随时可以修改，不像早期的 TensorFlow 那样需要先"定义图"再"运行图"。
环境安装
安装 PyTorch
推荐直接去官网 pytorch.org 选择你的环境配置，会自动生成安装命令。
# 以 CPU 版本为例（适合入门练手）
pip install torch torchvision torchaudio
tips：如果你有 NVIDIA 显卡，建议安装 CUDA 版本，训练速度会有质的飞跃。可以在官网上选对应的 CUDA 版本就行。
安装完成后，验证一下：
import torch
print(torch.__version__) # 打印版本号
print(torch.cuda.is_available()) # 检查 GPU 是否可用
核心概念：Tensor（张量）
PyTorch 的核心数据结构是 Tensor（张量）。你可以把它理解成一个"超级 NumPy 数组"——支持 GPU 加速，还能自动求导的NumPy数组。
创建 Tensor
import torch
# 从列表创建
a = torch.tensor([1.0, 2.0, 3.0])
print(a) # tensor([1., 2., 3.])
# 创建全零 / 全一矩阵
zeros = torch.zeros(3, 4) # 3行4列的零矩阵
ones = torch.ones(2, 3) # 2行3列的一矩阵
# 随机初始化（训练中最常用）
rand = torch.randn(3, 3) # 从标准正态分布采样
Tensor 的基本运算
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])
print(x + y) # tensor([5., 7., 9.])
print(x * y) # tensor([ 4., 10., 18.])
print(torch.dot(x, y)) # 点积：tensor(32.)
# 改变形状
z = torch.randn(4, 6)
print(z.reshape(2, 12).shape) # torch.Size([2, 12])
print(z.view(3, 8).shape) # torch.Size([3, 8])
自动微分：autograd（夯爆了）
这是 PyTorch 最神奇的地方之一。深度学习的核心是反向传播（Backpropagation），本质就是对损失函数求梯度。而 PyTorch 通过 autograd 帮你自动完成这件事。
import torch
x = torch.tensor(3.0, requires_grad=True) # 告诉 PyTorch 需要对 x 求导
y = x ** 2 + 2 * x + 1 # y = x² + 2x + 1
y.backward() # 反向传播，自动计算梯度
print(x.grad) # dy/dx = 2x + 2 = 2*3 + 2 = 8
# 输出：tensor(8.)
requires_grad=True 就像给 PyTorch 贴了个小纸条：「嘿，记得跟踪这个变量的梯度！」
搭建神经网络：nn.Module
在 PyTorch 里，搭建一个神经网络需要用到 torch.nn.Module。你只需要继承它，定义好网络层和前向传播逻辑就行。
下面我们来搭一个最简单的全连接网络（Fully Connected Network）：
import torch
import torch.nn as nn
class SimpleNet(nn.Module):
def __init__(self):
super(SimpleNet, self).__init__()
self.fc1 = nn.Linear(784, 256) # 输入784维，输出256维
self.fc2 = nn.Linear(256, 128)
self.fc3 = nn.Linear(128, 10) # 输出10类（如手写数字识别）
self.relu = nn.ReLU()
def forward(self, x):
x = self.relu(self.fc1(x))
x = self.relu(self.fc2(x))
x = self.fc3(x)
return x
model = SimpleNet()
print(model)
输出大概长这样：
SimpleNet(
(fc1): Linear(in_features=784, out_features=256, bias=True)
(fc2): Linear(in_features=256, out_features=128, bias=True)
(fc3): Linear(in_features=128, out_features=10, bias=True)
(relu): ReLU()
)
干净、清晰，一目了然。这就是 PyTorch 的魅力。
模型初体验（）
光有网络还不够，我们来看一个完整的"小闭环"——数据 → 前向传播 → 计算损失 → 反向传播 → 更新权重。
import torch
import torch.nn as nn
import torch.optim as optim
# 1. 准备假数据（实际场景中替换成真实数据集）
X = torch.randn(100, 784) # 100个样本，每个784维
y = torch.randint(0, 10, (100,)) # 100个标签（0-9）
# 2. 实例化模型、损失函数、优化器
model = SimpleNet()
criterion = nn.CrossEntropyLoss() # 交叉熵损失（分类任务常用）
optimizer = optim.Adam(model.parameters(), lr=0.001) # Adam 优化器
# 3. 训练循环
for epoch in range(10):
# 前向传播
outputs = model(X)
loss = criterion(outputs, y)
# 反向传播 + 权重更新
optimizer.zero_grad() # 清空上一步的梯度，这步千万别忘！
loss.backward() # 计算梯度
optimizer.step() # 更新参数
print(f"Epoch [{epoch+1}/10], Loss: {loss.item():.4f}")
这段代码是 PyTorch 训练的标准模板，建议抄下来背熟，以后你会反复用到。
What's your mission next？
恭喜你，你已经掌握了 PyTorch 最核心的几个模块！接下来你可以探索：
数据加载 torch.utils.data.Dataset 和 DataLoader
计算机视觉 torchvision、卷积神经网络（CNN）
自然语言处理 Transformer、Hugging Face + PyTorch
模型保存与加载 torch.save() / torch.load()
GPU 训练 .to('cuda') 把模型和数据搬到显卡上
官方文档写得非常好，强烈推荐推荐：pytorch.org/docs
总结
回顾一下今天学到的核心内容：
- Tensor 是 PyTorch 的基本数据单元，可以理解为支持 GPU 的 NumPy 数组
- autograd 帮你自动计算梯度，不需要手推偏导数
- nn.Module 是搭建神经网络的基类，继承它来定义你的模型
- 训练循环 的四步口诀：前向传播 → 计算 Loss →
zero_grad()→ 反向传播 → 更新参数
深度学习看起来很难，但其实入门并不难。最重要的其实是动手敲代码，把每一段示例跑一遍，改一改参数，其实就能掌握一些了。
如果这篇文章对你有帮助，欢迎收藏或分享给同样有困境的朋友。我们下篇文章见！👋