一、PyTorch 简介
PyTorch 是由 Facebook AI Research 团队开发的开源深度学习框架。它以动态图机制、灵活性强、易于调试而著称，广泛应用于自然语言处理、计算机视觉和学术研究。
二、安装 PyTorch
2.1 通过官网选择安装命令（推荐）
访问官网安装页面：
https://pytorch.org/get-started/locally/
选择操作系统、Package、Python版本、CUDA版本，自动生成安装命令。
2.2 pip 安装（CPU 版本）
pip install torch torchvision torchaudio
2.3 pip 安装（GPU + CUDA 版本示例）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
注意：需安装对应版本的 NVIDIA 驱动和 CUDA Toolkit。
2.4 conda 安装（推荐 Anaconda 用户）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
三、验证安装
import torch
print(torch.__version__)
print("CUDA 是否可用:", torch.cuda.is_available())
四、PyTorch 基本使用
4.1 创建张量
import torch
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.ones(3)
print(x + y)
4.2 Tensor 与 NumPy 互转
import numpy as np
a = np.array([1, 2, 3])
b = torch.from_numpy(a)
c = b.numpy()
4.3 使用 GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
x = torch.rand(3, 3).to(device)
五、构建神经网络模型
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(784, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = F.relu(self.fc1(x))
return self.fc2(x)
六、训练模型示例
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(10):
# 假设有 inputs 和 labels
outputs = model(inputs)
loss = criterion(outputs, labels)
optimizer.zero_grad()
loss.backward()
optimizer.step()
七、保存与加载模型
保存
torch.save(model.state_dict(), 'model.pth')
加载
model.load_state_dict(torch.load('model.pth'))
model.eval()
八、常见问题
Q1: 安装后 torch 无法导入？
请检查当前环境是否为正确的 Python 解释器，并确保 PyTorch 安装成功。
Q2: CUDA 不可用？
请确认：
- 安装的 PyTorch 是 GPU 版本
- 安装了兼容的 CUDA 驱动和工具包
- 显卡驱动安装无误
九、学习资源推荐
本文由“小奇Java面试”原创发布，转载请注明出处。
可以搜索【小奇JAVA面试】第一时间阅读，回复【资料】获取福利，回复【项目】获取项目源码，回复【简历模板】获取简历模板，回复【学习路线图】获取学习路线图。
