### 安装 PyTorch 库 在安装 PyTorch 之前，需确认已正确安装 Python 并将其路径添加至环境变量中。推荐从官方渠道下载最新版 Python，并在安装时勾选“Add Python to PATH”选项[^1]。 #### 使用 pip 命令安装 PyTorch 可以通过 `pip` 工具快速安装 PyTorch 及其依赖项。以下是适用于大多数用户的通用命令： ```bash pip install torch torchvision torchaudio ``` 如果目标平台为 Windows 或特定硬件配置（如 CUDA 支持），则需要访问 [PyTorch官网](https://pytorch.org/get-started/locally/) 获取适配的安装指令。例如，在支持 CUDA 的环境中运行以下命令以启用 GPU 加速： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` 以上命令中的 `cu118` 表示兼容 CUDA 版本号，请根据实际需求调整参数[^3]。 --- ### 示例代码：加载 MNIST 数据集 成功安装后，可通过如下脚本验证 PyTorch 功能正常运作。此例演示了如何加载经典的手写数字识别数据集——MNIST： ```python import torch from torchvision import datasets, transforms # 配置转换器用于预处理图片 transform = transforms.Compose([ transforms.ToTensor(), # 将 PIL 图像转为 Tensor 类型 ]) # 下载并初始化训练集实例 trainset = datasets.MNIST( root='./data', # 存储位置 train=True, # 是否加载训练子集 download=True, # 自动拉取远程资源 transform=transform # 调用定义好的变换函数 ) # 创建批量迭代器对象 trainloader = torch.utils.data.DataLoader( dataset=trainset, batch_size=64, # 批次大小设置为 64 shuffle=True # 每轮打乱顺序 ) # 测试读取第一个批次的数据形状 for images, labels in trainloader: print(f"Batch shape: {images.shape}") # 输出张量尺寸 (batch_size, channels, height, width) break ``` 上述代码片段实现了基本的功能链路，包括但不限于数据增强、分组打包等功能[^3]。 --- ### 注意事项 - **Python 环境一致性**：确保所使用的 Python 解析器与指定包管理工具相匹配。例如，Anaconda 用户应优先采用 `conda` 方式替代标准 `pip` 来规避潜在冲突问题[^4]。 - **CUDA 兼容性检测**：若计划利用 NVIDIA 显卡加速计算过程，则务必预先检查驱动版本是否满足最低要求。 ---