PyTorch核心基础知识点

PyTorch核心基础知识点，结合最新特性与工业级实践，按优先级和逻辑关系分层解析：

▍ 核心基石：张量编程（Tensor Programming）

1. 张量创建（8种生产级初始化）

# 设备自动选择（2024最佳实践）
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"

# 关键初始化方法
t1 = torch.empty((3,3), dtype=torch.float16, device=device)  # 未初始化内存
t2 = torch.zeros_like(t1, memory_format=torch.channels_last)  # 内存布局优化
t3 = torch.tensor([[1,2], [3,4]], pin_memory=True)           # 固定内存（加速数据转移）

2. 张量操作（性能关键操作）

# 内存共享操作（避免复制）
x = torch.randn(1000, 1000, device=device)
y = x[::2, ::2]  # 视图操作（共享内存）

# 广播机制实战
a = torch.randn(3, 1, 4)  # shape(3,1,4)
b = torch.randn(  2, 4)   # shape(2,4)
c = a + b                 # 自动广播为(3,2,4)

3. 自动微分（Autograd机制）

# 梯度控制黑科技
with torch.no_grad():        # 关闭梯度追踪
    y = model(x)
    
torch.inference_mode():      # 更高效推理模式（PyTorch 2.0+）
    y = model(x)

# 自定义梯度函数
class MyReLU(torch.autograd.Function):
    @staticmethod
    def forward(ctx, x):
        ctx.save_for_backward(x)
        return x.clamp(min=0)

    @staticmethod
    def backward(ctx, grad_output):
        x, = ctx.saved_tensors
        return grad_output * (x > 0).float()

▍ 数据工程（Data Pipeline）

1. 数据加载（工业级优化）

# 多线程加速方案
loader = DataLoader(dataset, 
                   batch_size=64, 
                   num_workers=4,
                   pin_memory=True,          # 加速GPU传输
                   persistent_workers=True)  # 保持worker进程

# 自定义数据集模板
class SatelliteDataset(Dataset):
    def __init__(self, root, transform=None):
        self.tiles = glob(f"{root}/*.tif")
        self.tfm = transform or T.Compose([
            T.RandomCrop(224),
            T.ToTensor()
        ])
        
    def __getitem__(self, idx):
        img = Image.open(self.tiles[idx])
        return self.tfm(img), 0  # 伪标签

2. 数据增强（GPU加速）

# 使用Kornia进行GPU加速增强
import kornia.augmentation as K

aug = K.AugmentationSequential(
    K.RandomRotation(degrees=45.0),
    K.RandomPerspective(p=0.5),
    data_keys=["input"]
)

x_gpu = torch.randn(16, 3, 224, 224, device=device)
x_aug = aug(x_gpu)  # GPU加速增强

▍ 模型工程（Model Engineering）

1. 模型定义（2024最新范式）

# 动态图优化（Torch.compile加速）
class CNN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = torch.nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=3, padding=1),
            nn.BatchNorm2d(64),
            nn.ReLU(inplace=True)
        )
        
    def forward(self, x):
        return self.conv(x)

model = CNN().to(device)
optimized_model = torch.compile(model)  # 一行代码加速30%

2. 模型训练（分布式技巧）

# 混合精度训练（2024标准配置）
scaler = torch.cuda.amp.GradScaler()

for inputs, targets in loader:
    inputs = inputs.to(device, non_blocking=True)
    targets = targets.to(device, non_blocking=True)
    
    with torch.autocast(device_type='cuda', dtype=torch.bfloat16):
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        
    scaler.scale(loss).backward()
    scaler.step(optimizer)
    scaler.update()

▍ 调试与优化（关键工具链）

1. 可视化工具（TensorBoard高级用法）

# 模型结构可视化
with SummaryWriter(log_dir="runs/exp1") as writer:
    writer.add_graph(model, torch.randn(1,3,224,224).to(device))

# 超参数对比
for lr in [0.1, 0.01, 0.001]:
    run_name = f"lr_{lr}"
    writer = SummaryWriter(log_dir=f"runs/{run_name}")
    writer.add_hparams({"lr": lr}, {"accuracy": 0.95})

2. 性能分析（PyTorch Profiler）

# 启动命令（检测GPU利用率）
python -m torch.profiler.profile \
    --schedule=repeat \
    --activities=cuda \
    --on_trace_ready=torch.profiler.tensorboard_trace_handler \
    train.py

▍ 知识地图（优先级排序）

1. 张量操作与内存管理（2天） → 模型性能基础
2. 自动微分机制（1天）      → 自定义层开发必备
3. 数据管道优化（3天）      → 工业级训练效率关键
4. 混合精度训练（1天）      → 节省显存+加速训练
5. Torch.compile（0.5天）   → 免费性能提升

▍ 常见陷阱与解决方案

下一步：

1. 使用torch.autograd.profiler分析模型瓶颈
2. 在Kaggle创建PyTorch实战Notebook并公开