### 如何运行 PyTorch 脚本文件 为了成功运行一个 PyTorch 脚本文件，需要确保以下几个方面已正确设置： #### 1. 创建并激活 Python 和 PyTorch 的虚拟环境 通过 `conda` 命令可以轻松创建一个新的虚拟环境，并指定所需的 Python 版本以及安装必要的依赖项。以下是具体操作命令： ```bash conda create -n pytorch_env python=3.7 [^1] ``` 上述命令会创建名为 `pytorch_env` 的新环境，并将其 Python 版本设定为 3.7。 接着，激活该环境以便后续安装 PyTorch 及其相关库： ```bash conda activate pytorch_env ``` #### 2. 安装 PyTorch 库及其依赖项 在激活的环境中，可以通过以下命令来安装 PyTorch、`torchvision` 和 `torchaudio` 等常用组件，同时指定 CUDA 工具包版本以支持 GPU 加速计算： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch [^3] ``` 此命令会在当前活动环境下完成所需软件包的下载与安装过程。 #### 3. 编写或获取目标脚本 准备一份包含有效 PyTorch 代码逻辑的 `.py` 文件作为待执行的目标程序。例如下面展示了一个简单的神经网络定义及训练循环实现片段： ```python import torch from torch import nn, optim class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc = nn.Linear(10, 1) def forward(self, x): return torch.sigmoid(self.fc(x)) net = SimpleNet() loss_fn = nn.BCELoss() optimizer = optim.SGD(net.parameters(), lr=0.01) for epoch in range(10): # 训练周期数 inputs = torch.randn(5, 10) # 随机输入数据 labels = (inputs.sum(dim=-1) > 0).float().unsqueeze(-1) # 构造标签 optimizer.zero_grad() # 清零梯度缓存 outputs = net(inputs) # 正向传播得到预测值 loss = loss_fn(outputs, labels) # 计算损失函数数值大小 loss.backward() # 执行反向传播更新参数权重 optimizer.step() print('Final Loss:', loss.item()) ``` #### 4. 使用终端运行脚本 当所有前期准备工作完成后，在命令提示符窗口或者 shell 中切换至存储有上述脚本的位置，利用如下指令启动它： ```bash python your_script.py ``` 这里假设您的实际脚本名称叫做 `your_script.py` ，请替换为您真实的文件名再尝试调用。 如果是在集成开发环境（IDE），比如 PyCharm 下工作，则需按照特定指引关联好对应的解释器路径[^2] 。通常情况下，默认选项应该能够满足需求；不过有时可能还需要手动调整一些高级属性配置才能正常运作起来。 --- ###