pytorch2.5实例教程

以下是再次为你提供的一个详细的PyTorch使用教程：
一、安装PyTorch

• 情况准备
  
  
  
  • 确保体系已安装符合版本的Python（推荐3.10及以上）。
    
  
  
• 安装方式
  
  
  
  • CPU版本
    
    
    
    • 对于Linux和macOS：
      
      
      
      • 使用下令 pip install torch torchvision torchaudio。
        
      
      
    • 对于Windows：
      
      
      
      • 先处置惩罚好依赖项，然后使用类似的pip下令安装。
        
      
      
    
    
  • GPU版本（依赖于CUDA）
    
    
    
    • 依据CUDA版本在官网查找对应下令。例如，若CUDA为12.4：
      
      
      
      • 实行 conda install pytorch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 pytorch-cuda=12.4 -c pytorch -c nvidia。
        
      
      
    
    
  
  

二、PyTorch底子概念

• 张量（Tensors）
  
  
  
  • 核心数据结构，类似NumPy数组且可在GPU加速计算。
    
  • 创建方式
    
    
    
    • 从列表创建：
      
      
      
      • 示例：
        
        
        
        • import torch
          
        • my_list = [1, 2, 3]
          
        • tensor = torch.tensor(my_list)
          
        
        
      
      
    • 创建随机张量：
      
      
      
      • 例如：random_tensor = torch.randn(3, 3)（创建3x3随机正态分布张量）。
        
      
      
    
    
  
  
• 计算图与自动微分
  
  
  
  • 计算基于构建计算图，利用张量时自动构建。
    
  • 示例：
    
    
    
    • 计算 y = x^2 + 3x 的梯度。
      
      
      
      • x = torch.tensor([2.0], requires_grad = True)
        
      • y = x ** 2+3 * x
        
      • y.backward()
        
      • print(x.grad)
        
      
      
    
    
  
  

三、创建神经网络模型

• 界说网络结构
  
  
  
  • 使用 nn.Module 类。
    
  • 示例（全连接神经网络）：
    
    
    
    • import torch.nn as nn
      
    • 1. class MyNet(nn.Module):
      2.     def __init__(self):
      3.         super(MyNet, self).__init__()
      4.         self.fc1 = nn.Linear(10, 5)
      5.         self.fc2 = nn.Linear(5, 1)
      6.     def forward(self, x):
      7.         x = torch.relu(self.fc1(x))
      8.         x = self.fc2(x)
      9.         return x

      复制代码
    
    
  
  
• 模型初始化与参数检察
  
  
  
  • 初始化：model = MyNet()
    
  • 参数检察：
    
    
    
    • 1. for name, param in model.named_parameters():
      2.     print(name, param.size())

      复制代码
    
    
  
  

四、数据处置惩罚

• 数据加载
  
  
  
  • 使用 DataLoader 类，需先创建数据集类（继续 torch.utils.data.Dataset）。
    
  • 示例：
    
    
    
    • 1. from torch.utils.data import Dataset, DataLoader
      2. class MyDataset(Dataset):
      3.     def __init__(self):
      4.         self.data = torch.randn(100, 10)
      5.         self.labels = torch.randint(0, 2, (100,))
      6.     def __getitem__(self, index):
      7.         return self.data[index], self.labels[index]
      8.     def __len__(self):
      9.         return len(self.data)
      10. dataset = MyDataset()
      11. dataloader = DataLoader(dataset, batch_size = 10, shuffle = True)

      复制代码
    
    
  
  
• 数据预处置惩罚
  
  
  
  • 以图像数据为例，使用 torchvision.transforms。
    
  • 示例：
    
    
    
    • 1. import torchvision.transforms as transforms
      2. transform = transforms.Compose([
      3.     transforms.ToTensor(),
      4.     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
      5. ])

      复制代码
    
    
  
  

五、训练模型

• 界说损失函数和优化器
  
  
  
  • 损失函数
    
    
    
    • 例如回归题目用均方误差（MSE）：criterion = nn.MSELoss()
      
    
    
  • 优化器
    
    
    
    • 如随机梯度下降（SGD）：optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)
      
    
    
  
  
• 训练循环
  
  
  
  • 多轮训练：
    
    
    
    • 1. num_epochs = 10
      2. for epoch in range(num_epochs):
      3.     for batch_data, batch_labels in dataloader:
      4.         optimizer.zero_grad()
      5.         outputs = model(batch_data)
      6.         loss = criterion(outputs, batch_labels)
      7.         loss.backward()
      8.         optimizer.step()
      9.     print(f'Epoch {epoch + 1}, Loss: {loss.item()}')

      复制代码
    
    
  
  

六、模型评估与猜测

• 模型评估
  
  
  
  • 以分类题目计算准确率为例：
    
    
    
    • 1. correct = 0
      2. total = 0
      3. with torch.no_grad():
      4.     for batch_data, batch_labels in dataloader:
      5.         outputs = model(batch_data)
      6.         _, predicted = torch.max(outputs.data, 1)
      7.         total += batch_labels.size(0)
      8.         correct += (predicted == batch_labels).sum().item()
      9. accuracy = correct / total
      10. print(f'Accuracy: {accuracy}')

      复制代码
    
    
  
  
• 猜测新数据
  
  
  
  • 示例：
    
    
    
    • 1. new_data = torch.randn(1, 10)
      2. with torch.no_grad():
      3.     prediction = model(new_data)
      4. print(f'Prediction: {prediction}')

      复制代码
    
    
  
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。