### 创建并运行第一个 PyTorch 程序 为了创建并运行第一个 PyTorch 程序，可以按照以下方法编写一段简单的 Python 脚本： #### 导入必要的库 首先需要导入 `torch` 库来利用其功能。 ```python import torch ``` #### 初始化张量 接着初始化一个随机张量用于展示基本操作。这里创建了一个大小为 (6, 4) 的浮点数类型的随机矩阵，并打印出来验证是否成功生成。 ```python x = torch.rand(6, 4) print(x) ``` 这段代码展示了如何快速启动 PyTorch 并执行简单计算[^1]。 #### 使用 GPU 加速运算 如果希望加速计算过程，则可以在支持 CUDA 的环境中启用 GPU 运算。这通常涉及三步：确认是否有可用的 GPU 设备；将模型转移到选定设备上；同样地把输入数据也迁移到相同位置以便于高效处理。 ```python device = 'cuda' if torch.cuda.is_available() else 'cpu' tensor_on_gpu = x.to(device) ``` 上述片段说明了怎样检测是否存在可使用的 GPU 及相应迁移操作[^2]。 #### 构建线性回归案例 对于更复杂的场景比如构建机器学习模型，下面是一个基于线性方程 \(y = M^Tx + b\) 实现的例子。此部分会模拟一些带有轻微扰动的数据集作为训练素材，之后定义好目标函数以及优化策略来进行迭代拟合直至满足预设条件为止。 ```python class LinearRegressionModel(torch.nn.Module): def __init__(self): super().__init__() self.linear = torch.nn.Linear(in_features=1, out_features=1) def forward(self, x): y_pred = self.linear(x) return y_pred model = LinearRegressionModel() criterion = torch.nn.MSELoss(reduction='sum') optimizer = torch.optim.SGD(model.parameters(), lr=0.01) for epoch in range(500): # 假设有500轮次 model.train() inputs = ... # 输入特征 targets = ... # 对应标签 outputs = model(inputs) loss = criterion(outputs, targets) optimizer.zero_grad() loss.backward() optimizer.step() if epoch % 100 == 99: print(f'Epoch [{epoch+1}/500], Loss: {loss.item():.4f}') ``` 以上代码段描述了一种典型做法——通过自定义类继承 `nn.Module` 来搭建神经网络结构，并完成前向传播、损失评估与参数更新等一系列流程[^3]。