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

• 环境准备
  • 确保系统已安装合适版本的Python（推荐3.10及以上）。
• 安装方式
  • CPU版本
    • 对于Linux和macOS：
      • 使用命令 pip install torch torchvision torchaudio。
    • 对于Windows：
      • 先处理好依赖项，然后使用类似的pip命令安装。
  • GPU版本（依赖于CUDA）
    • 依据CUDA版本在官网查找对应命令。例如，若CUDA为12.4：
      • 执行 conda install pytorch==2.5.0 torchvision==0.20.0 torchaudio==2.5.0 pytorch-cuda=12.4 -c pytorch -c nvidia。

二、PyTorch基础概念

• 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，操作张量时自动构建。
  • 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

• 定义网络结构
  • 使用 nn.Module 类。
  • 示例（全连接神经网络）：
    • import torch.nn as nn

    • class MyNet(nn.Module):
          def __init__(self):
              super(MyNet, self).__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
      

• 模型初始化与参数查看
  • 初始化：model = MyNet()
  • 参数查看：

    • for name, param in model.named_parameters():
          print(name, param.size())
      

四、数据处理

• 数据加载
  • 使用 DataLoader 类，需先创建数据集类（继承 torch.utils.data.Dataset）。
  • 示例：

    • from torch.utils.data import Dataset, DataLoader
      class MyDataset(Dataset):
          def __init__(self):
              self.data = torch.randn(100, 10)
              self.labels = torch.randint(0, 2, (100,))
          def __getitem__(self, index):
              return self.data[index], self.labels[index]
          def __len__(self):
              return len(self.data)
      dataset = MyDataset()
      dataloader = DataLoader(dataset, batch_size = 10, shuffle = True)
      

• 数据预处理
  • 以图像数据为例，使用 torchvision.transforms。
  • 示例：

    • import torchvision.transforms as transforms
      transform = transforms.Compose([
          transforms.ToTensor(),
          transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
      ])
      

五、训练模型

• 定义损失函数和优化器
  • 损失函数
    • 例如回归问题用均方误差（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：

    • num_epochs = 10
      for epoch in range(num_epochs):
          for batch_data, batch_labels in dataloader:
              optimizer.zero_grad()
              outputs = model(batch_data)
              loss = criterion(outputs, batch_labels)
              loss.backward()
              optimizer.step()
          print(f'Epoch {epoch + 1}, Loss: {loss.item()}')
      

六、模型评估与预测

• 模型评估
  • 以分类问题计算准确率为例：

    • correct = 0
      total = 0
      with torch.no_grad():
          for batch_data, batch_labels in dataloader:
              outputs = model(batch_data)
              _, predicted = torch.max(outputs.data, 1)
              total += batch_labels.size(0)
              correct += (predicted == batch_labels).sum().item()
      accuracy = correct / total
      print(f'Accuracy: {accuracy}')
      

• 预测新数据
  • 示例：

    • new_data = torch.randn(1, 10)
      with torch.no_grad():
          prediction = model(new_data)
      print(f'Prediction: {prediction}')