`torch` 是 PyTorch 库的核心模块，PyTorch 是一个开源的机器学习库，广泛应用于深度学习任务。以下是关于 `torch` 库的详细介绍： ### 张量（Tensors） `torch` 中的张量类似于 NumPy 的 `ndarray`，但它可以在 GPU 上运行以加速计算。例如，可以使用以下代码创建一个简单的张量： ```python import torch # 创建一个 2x3 的随机张量 x = torch.rand(2, 3) print(x) ``` 张量支持各种数学运算，如加法、乘法、矩阵乘法等。 ### 自动求导（Autograd） `torch` 提供了自动求导功能，这对于训练神经网络至关重要。通过设置 `requires_grad=True`，可以跟踪张量上的所有操作，并自动计算梯度。 ```python import torch # 创建一个需要求导的张量 x = torch.tensor([2.0], requires_grad=True) y = x**2 # 计算梯度 y.backward() print(x.grad) # 输出 x 的梯度 ``` ### 神经网络模块（nn.Module） `torch.nn` 模块提供了构建神经网络的基本组件，如层、损失函数等。可以通过继承 `nn.Module` 来定义自己的神经网络。 ```python import torch import torch.nn as nn # 定义一个简单的全连接神经网络 class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(10, 20) self.fc2 = nn.Linear(20, 1) def forward(self, x): x = torch.relu(self.fc1(x)) x = self.fc2(x) return x net = SimpleNet() ``` ### 优化器（Optimizers） `torch.optim` 模块提供了各种优化算法，如随机梯度下降（SGD）、Adam 等，用于更新神经网络的参数。 ```python import torch import torch.nn as nn import torch.optim as optim # 定义一个简单的模型 model = nn.Linear(10, 1) # 定义优化器 optimizer = optim.SGD(model.parameters(), lr=0.01) ``` ### CUDA 支持 `torch` 支持在 GPU 上运行代码，以加速计算。可以使用 `torch.cuda.is_available()` 检查 CUDA 是否可用，并使用 `.cuda()` 方法将张量和模型移动到 GPU 上。 ```python import torch if torch.cuda.is_available(): device = torch.device("cuda") x = torch.rand(2, 3).to(device) model = nn.Linear(10, 1).to(device) ``` ### 数据加载和处理 `torch.utils.data` 模块提供了数据加载和处理的工具，如 `Dataset` 和 `DataLoader`，可以方便地加载和处理大规模数据集。 ```python import torch from torch.utils.data import Dataset, DataLoader # 自定义数据集 class MyDataset(Dataset): def __init__(self): self.data = torch.rand(100, 10) self.labels = torch.randint(0, 2, (100,)) def __len__(self): return len(self.data) def __getitem__(self, idx): return self.data[idx], self.labels[idx] dataset = MyDataset() dataloader = DataLoader(dataset, batch_size=10, shuffle=True) ```