### 完成设置PyTorch虚拟环境后的下一步操作指南 #### 验证安装成功 为了确认 PyTorch 已经正确安装，在命令行工具中输入 Python 并执行如下代码来验证： ```python import torch print(torch.__version__) x = torch.rand(5, 3) print(x) ``` 如果能够正常打印版本号并生成随机数矩阵，则说明 PyTorch 及其依赖项已经成功安装[^1]。 #### 测试 GPU 支持 (可选) 对于希望利用 NVIDIA 显卡加速计算的任务，可以测试当前环境中是否有可用的 CUDA 设备: ```python if torch.cuda.is_available(): device = 'cuda' else: device = 'cpu' tensor_example = torch.tensor([1., 2.], device=device) print(f"Device being used: {device}") ``` 这段脚本会检测是否存在支持 CUDA 的 GPU，并尝试创建位于该设备上的张量对象。如果没有找到合适的硬件，默认回退到 CPU 运算模式[^2]。 #### 添加其他常用库 除了基础框架外，许多项目还需要额外的功能模块。比如图像处理方面常用的 OpenCV 库可以通过下面的方式继续扩展工作空间： ```bash pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple/ ``` 这一步骤允许开发者更方便地读取、显示图片文件或将视频流转换为可供神经网络分析的数据格式。 #### 创建第一个模型实例 当一切准备就绪之后，就可以着手建立简单的机器学习或深度学习应用了。这里给出一个最简化的线性回归案例作为起点： ```python class LinearRegressionModel(torch.nn.Module): def __init__(self): super().__init__() self.linear = torch.nn.Linear(1, 1) def forward(self, x): y_pred = self.linear(x) return y_pred model = LinearRegressionModel() criterion = torch.nn.MSELoss() for epoch in range(100): # 假设训练周期次数为100次 model.zero_grad() output = model(input_data) loss = criterion(output, target_data) print(loss.item()) loss.backward() optimizer.step() ``` 上述代码片段展示了定义自定义类继承 `torch.nn.Module` 来实现特定类型的预测算法；并通过指定损失函数和优化器来进行参数更新的过程。