深度学习框架PyTorch有多厉害？不要太爽！
PyTorch是个特别强大的深度学习框架，说实话我第一次用它的时候就被它的设计深深吸引了。它不像TensorFlow那么死板，代码写起来像写普通Python一样自然，调试也特别方便。今天咱们就从零开始，一点点揭开PyTorch的面纱，看看它到底有多厉害。
Tensor：PyTorch的基本数据类型
Tensor（张量）是PyTorch的基础，你可以把它理解成科学计算里的数组或矩阵。创建Tensor特别简单：
import torch
# 从Python列表创建tensor
x = torch.tensor([1， 2， 3])
print(x) # tensor([1， 2， 3])
# 创建全0的tensor
zeros = torch.zeros(3， 2)
print(zeros)
# tensor([[0.， 0.]，
# [0.， 0.]，
# [0.， 0.]])
# 创建随机tensor
random = torch.rand(2， 3)
print(random) # 每次运行结果都不一样⚠️ 小贴士：
- tensor默认是CPU上的，要用GPU得手动移过去
- 创建tensor时注意数据类型，默认浮点是float32
- print输出的tensor格式和numpy很像，但别搞混了
自动求导：PyTorch最强大的武器
说真的，PyTorch最让我佩服的就是它的自动求导机制了。你只要设置requires_grad=True，它就能自动帮你算梯度，这对深度学习来说简直太重要了：
# 创建需要求导的tensor
x = torch.tensor([2.0]， requires_grad=True)
y = x * 2
z = y ** 2
# 反向传播
z.backward()
# 查看x的梯度
print(x.grad) # tensor([8.])⚠️ 小贴士：
- backward()默认只能对标量求导
- 每次backward()前最好清空一下梯度
- 用with torch.no_grad()可以临时关闭求导
神经网络：搭建自己的模型
PyTorch写神经网络巨简单，继承个nn.Module就完事了：
import torch.nn as nn
class SimpleNet(nn.Module)：
def __init__(self)：
super().__init__()
self.fc1 = nn.Linear(10， 5)
self.fc2 = nn.Linear(5， 1)
def forward(self， x)：
x = torch.relu(self.fc1(x))
x = self.fc2(x)
return x
# 创建模型实例
model = SimpleNet()
print(model)⚠️ 小贴士：
- 记得在forward里写具体的计算逻辑
- 模型参数可以用parameters()方法查看
- 用Sequential可以写得更简洁，但可读性差点
训练模型：从数据到结果
有了模型接下来就是训练了，这块代码写起来也挺直观：
# 准备优化器
optimizer = torch.optim.SGD(model.parameters()， lr=0.01)
# 训练循环
for epoch in range(100)：
# 前向传播
output = model(input_data)
loss = criterion(output， target)
# 反向传播
optimizer.zero_grad()
loss.backward()
optimizer.step()⚠️ 小贴士：
- 训练前记得调用model.train()
- 评估时用model.eval()和torch.no_grad()
- 记得保存最好的模型checkpoint
到这我觉得你对PyTorch应该有个基本认识了。PyTorch真的特别好上手，代码写起来也很pythonic。不过这才是冰山一角，后面还有 数据加载 、 模型部署 、 分布式训练 等更多好玩的东西等着你去发现呢。赶紧动手试试吧，你会发现用PyTorch写深度学习代码简直不要太爽！
来源：青言絮语
THE END
