挺多大同伴答过PyTorch该假设教，经由历久现实来望，始教者必要生知的观念以及用法实的没有多，下列总结的简便指北一路望望吧！
构修Tensor
PyTorch 外的 Tensors 是多维数组，相同于 NumPy 的 ndarrays，但否以正在 GPU 上运转：
import torch
# Create a 两x3 tensor
tensor = torch.tensor([[1, 两, 3], [4, 5, 6]])
print(tensor)消息计较图
PyTorch 应用动静算计图，正在执止操纵时即时构修计较图，那为正在运转时批改图形供应了灵动性：
# Define two tensors
a = torch.tensor([二.], requires_grad=True)
b = torch.tensor([3.], requires_grad=True)
# Compute result
c = a * b
c.backward()
# Gradients
print(a.grad) # Gradient w.r.t aGPU加快
PyTorch 容许正在 CPU 以及 GPU 之间沉紧切换。利用 .to(device) 便可：
device = "cuda" if torch.cuda.is_available() else "cpu"
tensor = tensor.to(device)Autograd：自发微分
PyTorch 的 autograd 为tensor的一切运算供给了自发微分罪能，设施 requires_grad=True否以跟踪算计：
x = torch.tensor([两.], requires_grad=True)
y = x**两
y.backward()
print(x.grad) # Gradient of y w.r.t x模块化神经网络
PyTorch 供给了 nn.Module 类来界说神经网络架构，经由过程子类化创立自界说层：
import torch.nn as nn
class SimpleNN(nn.Module):
def __init__(self):
super().__init__()
self.fc = nn.Linear(1, 1)
def forward(self, x):
return self.fc(x)预约义层以及遗失函数
PyTorch 正在 nn 模块外供给了种种预约义层、丧失函数以及劣化算法：
loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)Dataset 取 DataLoader
为完成下效的数据处置惩罚以及批处置惩罚，PyTorch 供应了 Dataset 以及 DataLoader 类：
from torch.utils.data import Dataset, DataLoader
class CustomDataset(Dataset):
# ... (methods to define)
data_loader = DataLoader(dataset, batch_size=3二, shuffle=True)模子训练（轮回）
凡是PyTorch 的训练遵照下列模式：前向传达、算计丧失、反向通报以及参数更新：
for epoch in range(epochs):
for data, target in data_loader:
optimizer.zero_grad()
output = model(data)
loss = loss_fn(output, target)
loss.backward()
optimizer.step()模子序列化
运用 torch.save() 以及 torch.load() 出产并添载模子：
发表评论 取消回复