### PyTorch 框架基本函数操作 #### 安装 PyTorch 为了开始使用 PyTorch 进行开发，安装是一个必要的前提。可以通过官方文档获取详细的安装指南[^1]。 #### 张量操作 张量（Tensor）是 PyTorch 中最基本的数据结构，类似于 NumPy 的 ndarray。创建一个简单的张量可以如下所示： ```python import torch tensor_example = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32) print(tensor_example) ``` 对于更复杂的操作，比如改变形状或者执行线性代数运算，PyTorch 提供了一系列内置的方法来支持这些需求。 #### 自动求导机制 自动求导功能使得神经网络训练变得更加简单高效。通过 `requires_grad` 参数设置为 True 来启用梯度跟踪: ```python x = torch.ones(2, 2, requires_grad=True) y = x + 2 z = y * y * 3 out = z.mean() out.backward() # 计算梯度 print(x.grad) # 查看 x 对应的梯度 ``` 此过程会记录所有的前向传播步骤以便后续反向传播时能够正确计算各个变量相对于最终输出的偏导数值。 #### 构建与训练模型 定义自己的模型通常继承自 `nn.Module` 类并重写其构造器以及 forward 方法。下面给出一个多层感知机 (MLP) 的例子： ```python class MLP(torch.nn.Module): def __init__(self): super().__init__() self.linear1 = torch.nn.Linear(in_features=784, out_features=256) self.relu = torch.nn.ReLU() self.linear2 = torch.nn.Linear(in_features=256, out_features=10) def forward(self, x): x = self.linear1(x) x = self.relu(x) x = self.linear2(x) return x ``` 完成上述工作之后就可以利用优化算法配合损失函数来进行迭代更新权重参数从而达到最小化误差的目的了。 #### 损失函数的应用 在实际应用中，开发者可以直接从 `torch.nn.functional` 调用各种预设好的损失函数用于评估预测值同真实标签之间的差距大小。例如 L1 Loss 可以用来衡量绝对差异总和；而 Cross Entropy 则更适合分类任务中的概率分布对比[^2]。 ```python loss_fn = torch.nn.L1Loss(reduction='mean') input = torch.randn((3, 5), requires_grad=True) target = torch.randn((3, 5)) output = loss_fn(input, target) output.backward() ``` 以上就是关于 PyTorch 框架下一些基础概念及其对应的实际编码实践介绍。