### PyTorch 常用指令及用法 PyTorch 是一个强大的深度学习框架，提供了丰富的 API 用于张量操作和神经网络构建。以下是一些常用的 PyTorch 指令及其用法： #### 1. 张量创建 - **`torch.zeros`**: 创建一个指定形状的全零张量[^3]。 ```python z = torch.zeros((2, 3)) # 创建一个 2x3 的全零张量 print(z) ``` - **`torch.ones`**: 创建一个指定形状的全一张量。 ```python o = torch.ones((2, 3)) # 创建一个 2x3 的全一张量 print(o) ``` - **`torch.normal`**: 从正态分布中生成随机数[^3]。 ```python n = torch.normal(mean=0, std=1, size=(2, 3)) # 生成服从 N(0, 1) 分布的随机张量 print(n) ``` #### 2. 设备管理 - **`torch.cuda.is_available()`**: 检查是否支持 CUDA[^1]。 ```python if torch.cuda.is_available(): device = torch.device('cuda') else: device = torch.device('cpu') ``` - **`tensor.cuda()`**: 将张量移动到 GPU 上[^1]。 ```python x = torch.ones(5) y = torch.zeros(5) if torch.cuda.is_available(): x = x.cuda() y = y.cuda() result = x + y print(result) ``` #### 3. 数据转换 - **`torch.from_numpy`**: 从 NumPy 数组创建张量。 ```python import numpy as np np_array = np.array([1, 2, 3]) tensor = torch.from_numpy(np_array) print(tensor) ``` - **`transforms.ToTensor`**: 将 PIL 图像或 NumPy 数组转换为张量[^4]。 ```python from torchvision import transforms transform = transforms.ToTensor() image_tensor = transform(image) # image 是 PIL 图像或 NumPy 数组 print(image_tensor.shape) ``` #### 4. 神经网络构建 - **命名规范**: 在构建卷积神经网络（CNN）时，合理命名层（如 `conv1`, `conv2`, `fc1`, `fc2`）可以提高代码可读性[^2]。 ```python import torch.nn as nn class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv2d(in_channels=1, out_channels=16, kernel_size=3) self.fc1 = nn.Linear(16 * 6 * 6, 10) def forward(self, x): x = self.conv1(x) x = x.view(-1, 16 * 6 * 6) x = self.fc1(x) return x ``` #### 5. 数据预处理 - **`transforms.Normalize`**: 对数据进行归一化处理[^4]。 ```python normalize = transforms.Normalize(mean=[0.5], std=[0.5]) normalized_tensor = normalize(image_tensor) print(normalized_tensor) ``` ---