### PyTorch基础知识及入门实验 #### 一、PyTorch简介 PyTorch 是一种基于 Torch 的开源机器学习库，支持动态计算图和 GPU 加速功能。它广泛应用于深度学习研究领域，并因其易用性和灵活性受到开发者青睐[^1]。 #### 二、开发环境搭建 为了顺利运行 PyTorch 实验，需完成以下配置： - **安装 Python**: 推荐版本为 Python 3.7 或更高。 - **安装 PyTorch**: 可通过官方文档中的命令快速安装适合本地硬件条件的版本。例如，在 CUDA 支持环境下可执行如下命令： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` - 验证安装成功：可通过导入 `torch` 并打印其版本号来确认安装无误。 ```python import torch print(torch.__version__) ``` #### 三、核心概念解析 以下是 PyTorch 的几个重要组成部分及其作用： 1. **数据处理 (Data)** 使用 `torch.utils.data.Dataset` 和 `torch.utils.data.DataLoader` 来加载和管理数据集。这是实现批量训练的关键工具之一。 2. **模型定义 (Model)** 利用继承自 `nn.Module` 类的方式创建神经网络模型。例如，一个简单的全连接网络可以这样定义： ```python import torch.nn as nn class SimpleNet(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(input_size, hidden_size) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_size, output_size) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out ``` 3. **损失函数与优化器 (Loss & Optimizer)** 常见的损失函数有交叉熵 (`CrossEntropyLoss`) 和均方误差 (`MSELoss`)；常用的优化算法包括 SGD 和 Adam。例如： ```python criterion = nn.CrossEntropyLoss() # 损失函数 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 优化器 ``` 4. **训练过程** 训练循环通常由前向传播、反向传播以及参数更新三个部分组成。下面是一个基本示例： ```python model.train() for epoch in range(num_epochs): for inputs, labels in dataloader: outputs = model(inputs) # 前向传播 loss = criterion(outputs, labels) # 计算损失 optimizer.zero_grad() # 清零梯度 loss.backward() # 反向传播 optimizer.step() # 更新权重 ``` 5. **可视化** 结合 Matplotlib 或 TensorBoard 工具监控训练进度和性能指标变化情况。 #### 四、动手实践案例 以手写数字识别为例，展示如何构建完整的代码框架： ```python import torch from torch import nn, optim from torchvision.datasets import MNIST from torchvision.transforms import ToTensor from torch.utils.data import DataLoader # 数据准备 train_dataset = MNIST(root='./data', train=True, transform=ToTensor(), download=True) test_dataset = MNIST(root='./data', train=False, transform=ToTensor()) train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False) # 定义模型 class DigitClassifier(nn.Module): def __init__(self): super(DigitClassifier, self).__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(28*28, 512), nn.ReLU(), nn.Linear(512, 10) ) def forward(self, x): x = self.flatten(x) logits = self.linear_relu_stack(x) return logits model = DigitClassifier() # 设置损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 开始训练 num_epochs = 5 for epoch in range(num_epochs): running_loss = 0.0 correct_predictions = 0 total_samples = 0 for images, labels in train_loader: outputs = model(images) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() _, predicted = torch.max(outputs, 1) total_samples += labels.size(0) correct_predictions += (predicted == labels).sum().item() accuracy = 100 * correct_predictions / total_samples print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}, Accuracy: {accuracy:.2f}%') ``` 上述代码实现了从数据加载到模型评估的一整套流程。 ---