简介这是一份面向深度学习零基础或初级读者的 PyTorch 极简入门教程以中文 PDF 高清版呈现适合想快速掌握深度学习建模流程的开发者、学生或转岗人员。教程共分18章覆盖从环境搭建到模型优化的完整链路先讲深度学习基础与必备 Python 知识点再介绍 Anaconda、Jupyter Notebook 和 PyTorch 框架的使用随后从神经网络原理入手用浅层网络和深层网络两个递进式项目让读者完成构建、深化和深度优化三个阶段的动手实践。优化篇针对过拟合、梯度优化、网络初始化及超参数调整给出可落地的解决建议并提供了构建模型时的实用经验。后半部分专门讲解卷积神经网络CNN与循环神经网络RNN并通过 PyTorch 实战项目演示图像分类和序列建模的具体实现。整体风格简洁章节编排清晰每个关键环节都配有可运行示例适合系统自学或作为教学补充。压缩包大小约112.41MBPDF 文档便于离线查阅。目前已有220人学习下载适合作为 PyTorch 入门的第一本实操手册。1. 深度学习PyTorch极简入门教程为什么你需要的是一份PDF而不是视频看到“深度学习PyTorch极简入门教程中文PDF高清版最新版本”这个标题第一反应可能是找资源、下文件、存网盘。但把“极简”和“最新”放在一起看真正的需求其实是用最短的时间把PyTorch跑起来同时不踩旧教程里那些已经过时的API坑。视频教程的问题是查找成本高一节课20分钟真正有用的可能只有3分钟而一份结构清晰的PDF可以全局搜索、跳转还能做标注更适合当成工具书。适合的人群很明确会Python基础、想快速进入深度学习实战的开发者以及复习面试题时想系统过一遍张量和反向传播的人。这一篇不从“什么是人工智能”讲起直接围绕四个高频动作展开装环境、搞懂张量与自动求导、跑通一个分类模型、高效复用PDF里的代码片段。2. 搭建PyTorch开发环境从Anaconda到GPU验证2.1 用Anaconda创建独立环境避免依赖冲突常见做法是先用Anaconda建一个干净的Python 3.10环境再安装PyTorch。不要直接在base环境里装因为torch、torchvision、cuda相关的包版本敏感项目间共用环境很容易出现“昨天还能跑今天import报错”的情况。conda create -n pytorch python3.10 -y conda activate pytorch参数说明-n pytorch指定环境名叫pytorch是为了方便识别python3.10设置Python版本PyTorch官方对3.10的支持非常完善老项目用的3.8或3.9也能装但新版本有些特性需要3.9以上。激活环境成功后命令行前缀会变成(pytorch)这是后面所有安装和运行的前提。2.2 查看CUDA版本并安装对应PyTorch安装GPU版之前先在终端输入nvidia-smi看右上角的CUDA Version。注意这个版本代表驱动支持的最高CUDA版本不一定要和PyTorch完全一致PyTorch的cuda运行库通常是向下兼容的。我一般会选择驱动支持版本以下的PyTorch官方稳定版本例如驱动支持12.x就选pytorch-cuda12.1或11.8。conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia如果机器没有NVIDIA显卡或者只是想在笔记本上跑跑CPU版本用下面的命令更快pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu参数说明-c pytorch和-c nvidia指定包来源频道保证从官方渠道拉取pytorch-cuda12.1是显式指定CUDA版本不写的话默认安装CPU版。--index-url是pip指定软件仓库的方式CPU版装完约200MB比GPU版小不少。2.3 用一段最小代码验证环境和GPU计算安装完成后不要急着打开教程先用最小代码验证import和GPU是否可用import torch print(PyTorch版本:, torch.__version__) print(是否支持CUDA:, torch.cuda.is_available()) if torch.cuda.is_available(): print(显卡名称:, torch.cuda.get_device_name(0)) print(当前设备索引:, torch.cuda.current_device()) # 创建一个随机张量并放到GPU上 x torch.rand(3, 3, devicecuda if torch.cuda.is_available() else cpu) print(张量所在设备:, x.device)逻辑说明torch.__version__打印版本号用来核对PDF教程中的API与当前版本是否匹配torch.cuda.is_available()返回布尔值是判断GPU可用的最直接入口torch.rand(3, 3, device...)创建了一个3×3的随机张量device参数控制数据放在CPU还是GPU。如果上面代码在is_available()处返回False先不要怀疑代码重新检查一下安装命令里是否带了cuda版本的参数。常见坑Windows用户如果用conda安装很慢或报Solving environment长时间卡住可以把conda的channel优先级改低或者直接用pip安装。还有一点以cuda结尾的包名比如pytorch-cuda11.8是软包依赖不要把cuda toolkit单独再装一遍PyTorch自带的运行时已经够用了。3. 极简入门的核心张量、自动求导与计算图3.1 张量Tensor的创建与常规操作PyTorch里的张量就是可以放在GPU上进行并行计算的多维数组。初学阶段记住四种创建方式就够了import torch a torch.tensor([1, 2, 3]) # 从Python列表直接创建 b torch.zeros(2, 3) # 全0矩阵 c torch.ones(2, 3) # 全1矩阵 d torch.randn(2, 3) # 标准正态分布随机数 e torch.full((2, 2), 7) # 填充固定值 f torch.arange(0, 10, 2) # 类似range的等差序列参数说明torch.tensor接受已有数据torch.zeros和torch.ones第一个参数是shape用元组表示形状torch.randn生成均值为0方差为1的随机数是初始化网络权重的常用来源torch.full((2,2),7)第一个参数是形状元组第二个是填充值。创建完推荐马上调用.shape查看维度初学最多的地方就是shape对不上。张量的常见操作像reshape、transpose、matmul在PyTorch教程PDF里一定会反复出现。注意reshape是视图操作尽量少和tensor的data_ptr混着用因为虚拟内存共享可能导致数据意外修改。3.2 自动求导机制autograd如何工作深度学习训练的本质是求损失函数对参数的梯度然后用梯度更新参数。PyTorch用autograd自动记录计算图只要张量设置了requires_gradTrue它参与的运算就会被记录之后调用.backward()就能计算梯度。x torch.tensor(3.0, requires_gradTrue) y x ** 2 # y x^2 y.backward() # 求dy/dx print(x.grad) # 输出 6.0逻辑说明requires_gradTrue告诉PyTorch“我要对x求导”y.backward()会从y出发沿计算图反向传播把梯度填充到叶子节点的.grad属性。上面的例子中dy/dx 2x 6结果正是6.0。这是内网深度学习中必须亲手跑一遍的最小案例比背诵“链式法则”四个字有用得多。3.3 手写梯度下降 vs 用autograd直观感受差异为了理解自动求导的价值我们可以对比一下手写求导和调用backward的区别。以线性拟合为例假设数据x和标签y满足y 2 * x 1随机初始化参数w和b最小化均方误差。手写梯度下降代码import torch x torch.tensor([1., 2., 3., 4.]) y torch.tensor([3., 5., 7., 9.]) # 实际上是 2x1 w torch.tensor(0.0, requires_gradFalse) b torch.tensor(0.0, requires_gradFalse) for epoch in range(100): y_pred w * x b loss ((y_pred - y) ** 2).mean() # 手动求导 grad_w (2 * (y_pred - y) * x).mean() grad_b (2 * (y_pred - y)).mean() w - 0.01 * grad_w b - 0.01 * grad_b if (epoch 1) % 20 0: print(fepoch {epoch1}, w{w.item():.2f}, b{b.item():.2f}, loss{loss.item():.2f})用autograd版本w_auto torch.tensor(0.0, requires_gradTrue) b_auto torch.tensor(0.0, requires_gradTrue) for epoch in range(100): y_pred w_auto * x b_auto loss ((y_pred - y) ** 2).mean() loss.backward() # 自动计算所有requires_gradTrue的梯度 with torch.no_grad(): w_auto - 0.01 * w_auto.grad b_auto - 0.01 * b_auto.grad w_auto.grad.zero_() b_auto.grad.zero_() if (epoch 1) % 20 0: print(fepoch {epoch1}, w{w_auto.item():.2f}, b{b_auto.item():.2f}, loss{loss.item():.2f})代码说明手写版本需要自己计算梯度公式网络一深就完全不可维护autograd版本里loss.backward()自动填充梯度with torch.no_grad()块用于关闭计算图记录因为更新参数的操作本身不应该被求导。关键点在于每次反向传播后必须调用zero_()把梯度清零否则PyTorch会默认累加梯度这是绝大多数学PyTorch的人踩过的坑。两个版本最终都能学到接近w2, b1但autograd版本替换网络结构时不需要改求导代码。4. 用PyTorch训练第一个分类模型CIFAR-10实战4.1 准备数据torchvision内置数据集PDF教程里最常见的实战案例是手写数字识别MNIST或CIFAR-10。MNIST太简单适合验证流程CIFAR-10是32×32的彩色图片十类物体更有真实感。初学者我建议直接上CIFAR-10因为它的难度刚好能让你理解数据增强和过拟合是怎么回事。import torch import torchvision import torchvision.transforms as transforms # 定义数据预处理转换为张量并做归一化 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) # 下载训练集和测试集 trainset torchvision.datasets.CIFAR10(root./data, trainTrue, downloadTrue, transformtransform) testset torchvision.datasets.CIFAR10(root./data, trainFalse, downloadTrue, transformtransform) trainloader torch.utils.data.DataLoader(trainset, batch_size64, shuffleTrue, num_workers2) testloader torch.utils.data.DataLoader(testset, batch_size64, shuffleFalse, num_workers2) classes (plane, car, bird, cat, deer, dog, frog, horse, ship, truck)参数说明torchvision.transforms.ToTensor()把PIL图像转成[0,1]的张量并调整通道顺序Normalize用均值0.5、标准差0.5归一化到[-1,1]加快收敛。DataLoader中的batch_size64表示每次取64张图shuffleTrue打乱训练顺序num_workers2用两个子进程加载数据Windows下数字太大会报错建议设为0或2。4.2 定义网络、损失函数与优化器对于32×32的小图不需要很深的网络一个三层的卷积神经网络足够展示完整训练流程。PDF教程里通常先给全连接网络再给CNN这里直接给CNN因为ResNet之类的模型本质也是堆卷积层。import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 nn.Conv2d(3, 32, 3, padding1) # 3通道输入32个卷积核 self.conv2 nn.Conv2d(32, 64, 3, padding1) # 32通道输入64个卷积核 self.pool nn.MaxPool2d(2, 2) # 2×2最大池化 self.fc1 nn.Linear(64 * 8 * 8, 256) self.fc2 nn.Linear(256, 10) def forward(self, x): x self.pool(F.relu(self.conv1(x))) # 输出 (batch, 32, 16, 16) x self.pool(F.relu(self.conv2(x))) # 输出 (batch, 64, 8, 8) x x.view(-1, 64 * 8 * 8) # 展平 x F.relu(self.fc1(x)) x self.fc2(x) return x网络结构说明nn.Conv2d(3, 32, 3, padding1)表示输入通道3输出通道32卷积核3×3padding1保持尺寸不变。每经过一次卷积加激活图像尺寸不变经过一次MaxPool2d(2,2)宽高减半。因此输入32×32第一次池化后16×16第二次池化后8×8。x.view(-1, 64*8*8)把特征图展平成向量-1表示自动推算batch大小。最后输出10维向量对应10个类别。接着定义损失函数和优化器import torch.optim as optim net SimpleCNN() criterion nn.CrossEntropyLoss() # 多分类交叉熵损失 optimizer optim.SGD(net.parameters(), lr0.01, momentum0.9) # 带动量的随机梯度下降参数说明CrossEntropyLoss内部自动做了softmax无需在网络最后一层加softmaxSGD的lr是学习率太大不收敛太小收敛慢momentum0.9是常用默认值利用历史梯度加速下降同时减少震荡。想快速出效果可以换成Adam但初学阶段推荐SGD因为它对学习率的敏感度能让你更直观体会调参的意义。4.3 训练循环epoch、batch、loss的关系训练的核心是三层循环外层是epoch完整遍历一遍数据集的次数中层是batch一个batch一个batch地取数据内层是具体的前向传播、反向传播和参数更新。for epoch in range(10): running_loss 0.0 for i, data in enumerate(trainloader, 0): inputs, labels data # 取一个batch的输入和标签 optimizer.zero_grad() # 梯度清零 outputs net(inputs) # 前向传播 loss criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 running_loss loss.item() if i % 200 199: # 每200个batch打印一次 print(f[{epoch 1}, {i 1:5d}] loss: {running_loss / 200:.3f}) running_loss 0.0逻辑说明optimizer.zero_grad()必须放在前向传播之前因为PyTorch的梯度是累积的loss.backward()计算参数梯度optimizer.step()根据优化器策略更新参数。running_loss用来统计打印间隔内的平均损失loss.item()把tensor转为Python数值避免建立计算图。如果这个循环跑起来发现损失不下降优先检查学习率是否过大以及数据预处理是否正常。4.4 评估模型用测试集计算准确率训练结束后用测试集验证泛化能力。注意评估阶段不需要计算梯度要包裹在torch.no_grad()里省内存且加速。correct 0 total 0 with torch.no_grad(): for data in testloader: images, labels data outputs net(images) _, predicted torch.max(outputs, 1) # 取出最大值的索引 total labels.size(0) correct (predicted labels).sum().item() print(fAccuracy: {100 * correct / total:.2f}%)代码说明torch.max(outputs, 1)返回两个值第一个是最大值第二个是最大值的索引predicted就是模型预测的类别编号。(predicted labels).sum().item()统计一个batch中预测正确的数量最后合计。显式用with torch.no_grad()包裹还能防止因为训练时残留的requires_grad状态导致GPU显存溢出。5. 高清PDF版教程的高效使用技巧版本核对与检索式学习5.1 快速判断PDF是否是最新版本拿到任何一份PDF先看三个地方出版或编译日期、目录中是否有torch.compile或nn.Module相关章节、代码示例里是否出现过被废弃的API。比如torch.autograd.Variable已经退役如果你的PDF里大量使用Variable(tensor, requires_gradTrue)说明这份教程停留在PyTorch 0.4时代很多接口已经不兼容了。还有一个简单方法打开PDF随便找一段安装说明如果还在推荐pip install https://download.pytorch.org/whl/torch-...这种老链接建议直接换成官方文档电子版。5.2 用文本检索代替从头阅读我读技术类PDF的习惯是先看目录然后用阅读器自带的搜索功能把backward、DataLoader、optimizer.step这些关键词搜一遍跳到对应页看代码和解释。这样比逐页读快得多尤其适合复习看到某个API不会用了直接搜名字比搜索引擎更准因为PDF内页的内容往往针对同一个上下文。PDF没有全文索引时可以先跑一下pdftotext之类的命令行工具提取文本再配合grep搜索。pdftotext pytorch-tutorial.pdf output.txt grep -n torch.compile output.txt命令说明pdftotext是Linux和macOS上常用的PDF文本提取工具Windows可以用Python的PyPDF2或pdfplumber替代。提取出纯文本后用grep -n搜索关键词-n显示行号这样就能快速定位到PDF第几页、第几段。5.3 一份可持续使用的“极简速查表”与其每次翻PDF不如把最核心的代码片段摘出来整理成自己的pytorch_cheatsheet.py每次写新项目前对照一遍。常见的做法是维护一个只有几十行的小文件包含环境检查、张量创建、卷积网络骨架、训练循环骨架、保存和加载模型。保存和加载模型是PDF里容易被忽略的部分但实际项目中高频使用# 保存 torch.save(net.state_dict(), model.pth) # 加载 net2 SimpleCNN() net2.load_state_dict(torch.load(model.pth, map_locationcpu)) net2.eval()说明state_dict保存的是一份有序的参数字典map_locationcpu允许我们在没有GPU的机器上加载模型这在换机器调试时非常有用。net.eval()把模型切到评估模式会把Dropout和BatchNorm的行为切换到推理状态训练模式下不写会得到不稳定的推理结果。把这些片段从PDF里抄下来运行一遍再改一改比单纯“看会”有效得多。最后补充一个验证自己是否真正入门的方法在不看PDF的情况下试着写一个从环境检查到训练结束的完整脚本如果能在30分钟内写完并跑通说明你已经掌握了这份极简教程的核心。接下来要做的不是买更多课程而是打开官方文档把nn.Linear、nn.Conv2d、nn.CrossEntropyLoss的底层参数全部查一遍再往前走。本文还有配套的精品资源点击获取 PyTorch极简入门：从环境搭建到CIFAR-10实战（高清PDF版）
简介这是一份面向深度学习零基础或初级读者的 PyTorch 极简入门教程以中文 PDF 高清版呈现适合想快速掌握深度学习建模流程的开发者、学生或转岗人员。教程共分18章覆盖从环境搭建到模型优化的完整链路先讲深度学习基础与必备 Python 知识点再介绍 Anaconda、Jupyter Notebook 和 PyTorch 框架的使用随后从神经网络原理入手用浅层网络和深层网络两个递进式项目让读者完成构建、深化和深度优化三个阶段的动手实践。优化篇针对过拟合、梯度优化、网络初始化及超参数调整给出可落地的解决建议并提供了构建模型时的实用经验。后半部分专门讲解卷积神经网络CNN与循环神经网络RNN并通过 PyTorch 实战项目演示图像分类和序列建模的具体实现。整体风格简洁章节编排清晰每个关键环节都配有可运行示例适合系统自学或作为教学补充。压缩包大小约112.41MBPDF 文档便于离线查阅。目前已有220人学习下载适合作为 PyTorch 入门的第一本实操手册。1. 深度学习PyTorch极简入门教程为什么你需要的是一份PDF而不是视频看到“深度学习PyTorch极简入门教程中文PDF高清版最新版本”这个标题第一反应可能是找资源、下文件、存网盘。但把“极简”和“最新”放在一起看真正的需求其实是用最短的时间把PyTorch跑起来同时不踩旧教程里那些已经过时的API坑。视频教程的问题是查找成本高一节课20分钟真正有用的可能只有3分钟而一份结构清晰的PDF可以全局搜索、跳转还能做标注更适合当成工具书。适合的人群很明确会Python基础、想快速进入深度学习实战的开发者以及复习面试题时想系统过一遍张量和反向传播的人。这一篇不从“什么是人工智能”讲起直接围绕四个高频动作展开装环境、搞懂张量与自动求导、跑通一个分类模型、高效复用PDF里的代码片段。2. 搭建PyTorch开发环境从Anaconda到GPU验证2.1 用Anaconda创建独立环境避免依赖冲突常见做法是先用Anaconda建一个干净的Python 3.10环境再安装PyTorch。不要直接在base环境里装因为torch、torchvision、cuda相关的包版本敏感项目间共用环境很容易出现“昨天还能跑今天import报错”的情况。conda create -n pytorch python3.10 -y conda activate pytorch参数说明-n pytorch指定环境名叫pytorch是为了方便识别python3.10设置Python版本PyTorch官方对3.10的支持非常完善老项目用的3.8或3.9也能装但新版本有些特性需要3.9以上。激活环境成功后命令行前缀会变成(pytorch)这是后面所有安装和运行的前提。2.2 查看CUDA版本并安装对应PyTorch安装GPU版之前先在终端输入nvidia-smi看右上角的CUDA Version。注意这个版本代表驱动支持的最高CUDA版本不一定要和PyTorch完全一致PyTorch的cuda运行库通常是向下兼容的。我一般会选择驱动支持版本以下的PyTorch官方稳定版本例如驱动支持12.x就选pytorch-cuda12.1或11.8。conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia如果机器没有NVIDIA显卡或者只是想在笔记本上跑跑CPU版本用下面的命令更快pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu参数说明-c pytorch和-c nvidia指定包来源频道保证从官方渠道拉取pytorch-cuda12.1是显式指定CUDA版本不写的话默认安装CPU版。--index-url是pip指定软件仓库的方式CPU版装完约200MB比GPU版小不少。2.3 用一段最小代码验证环境和GPU计算安装完成后不要急着打开教程先用最小代码验证import和GPU是否可用import torch print(PyTorch版本:, torch.__version__) print(是否支持CUDA:, torch.cuda.is_available()) if torch.cuda.is_available(): print(显卡名称:, torch.cuda.get_device_name(0)) print(当前设备索引:, torch.cuda.current_device()) # 创建一个随机张量并放到GPU上 x torch.rand(3, 3, devicecuda if torch.cuda.is_available() else cpu) print(张量所在设备:, x.device)逻辑说明torch.__version__打印版本号用来核对PDF教程中的API与当前版本是否匹配torch.cuda.is_available()返回布尔值是判断GPU可用的最直接入口torch.rand(3, 3, device...)创建了一个3×3的随机张量device参数控制数据放在CPU还是GPU。如果上面代码在is_available()处返回False先不要怀疑代码重新检查一下安装命令里是否带了cuda版本的参数。常见坑Windows用户如果用conda安装很慢或报Solving environment长时间卡住可以把conda的channel优先级改低或者直接用pip安装。还有一点以cuda结尾的包名比如pytorch-cuda11.8是软包依赖不要把cuda toolkit单独再装一遍PyTorch自带的运行时已经够用了。3. 极简入门的核心张量、自动求导与计算图3.1 张量Tensor的创建与常规操作PyTorch里的张量就是可以放在GPU上进行并行计算的多维数组。初学阶段记住四种创建方式就够了import torch a torch.tensor([1, 2, 3]) # 从Python列表直接创建 b torch.zeros(2, 3) # 全0矩阵 c torch.ones(2, 3) # 全1矩阵 d torch.randn(2, 3) # 标准正态分布随机数 e torch.full((2, 2), 7) # 填充固定值 f torch.arange(0, 10, 2) # 类似range的等差序列参数说明torch.tensor接受已有数据torch.zeros和torch.ones第一个参数是shape用元组表示形状torch.randn生成均值为0方差为1的随机数是初始化网络权重的常用来源torch.full((2,2),7)第一个参数是形状元组第二个是填充值。创建完推荐马上调用.shape查看维度初学最多的地方就是shape对不上。张量的常见操作像reshape、transpose、matmul在PyTorch教程PDF里一定会反复出现。注意reshape是视图操作尽量少和tensor的data_ptr混着用因为虚拟内存共享可能导致数据意外修改。3.2 自动求导机制autograd如何工作深度学习训练的本质是求损失函数对参数的梯度然后用梯度更新参数。PyTorch用autograd自动记录计算图只要张量设置了requires_gradTrue它参与的运算就会被记录之后调用.backward()就能计算梯度。x torch.tensor(3.0, requires_gradTrue) y x ** 2 # y x^2 y.backward() # 求dy/dx print(x.grad) # 输出 6.0逻辑说明requires_gradTrue告诉PyTorch“我要对x求导”y.backward()会从y出发沿计算图反向传播把梯度填充到叶子节点的.grad属性。上面的例子中dy/dx 2x 6结果正是6.0。这是内网深度学习中必须亲手跑一遍的最小案例比背诵“链式法则”四个字有用得多。3.3 手写梯度下降 vs 用autograd直观感受差异为了理解自动求导的价值我们可以对比一下手写求导和调用backward的区别。以线性拟合为例假设数据x和标签y满足y 2 * x 1随机初始化参数w和b最小化均方误差。手写梯度下降代码import torch x torch.tensor([1., 2., 3., 4.]) y torch.tensor([3., 5., 7., 9.]) # 实际上是 2x1 w torch.tensor(0.0, requires_gradFalse) b torch.tensor(0.0, requires_gradFalse) for epoch in range(100): y_pred w * x b loss ((y_pred - y) ** 2).mean() # 手动求导 grad_w (2 * (y_pred - y) * x).mean() grad_b (2 * (y_pred - y)).mean() w - 0.01 * grad_w b - 0.01 * grad_b if (epoch 1) % 20 0: print(fepoch {epoch1}, w{w.item():.2f}, b{b.item():.2f}, loss{loss.item():.2f})用autograd版本w_auto torch.tensor(0.0, requires_gradTrue) b_auto torch.tensor(0.0, requires_gradTrue) for epoch in range(100): y_pred w_auto * x b_auto loss ((y_pred - y) ** 2).mean() loss.backward() # 自动计算所有requires_gradTrue的梯度 with torch.no_grad(): w_auto - 0.01 * w_auto.grad b_auto - 0.01 * b_auto.grad w_auto.grad.zero_() b_auto.grad.zero_() if (epoch 1) % 20 0: print(fepoch {epoch1}, w{w_auto.item():.2f}, b{b_auto.item():.2f}, loss{loss.item():.2f})代码说明手写版本需要自己计算梯度公式网络一深就完全不可维护autograd版本里loss.backward()自动填充梯度with torch.no_grad()块用于关闭计算图记录因为更新参数的操作本身不应该被求导。关键点在于每次反向传播后必须调用zero_()把梯度清零否则PyTorch会默认累加梯度这是绝大多数学PyTorch的人踩过的坑。两个版本最终都能学到接近w2, b1但autograd版本替换网络结构时不需要改求导代码。4. 用PyTorch训练第一个分类模型CIFAR-10实战4.1 准备数据torchvision内置数据集PDF教程里最常见的实战案例是手写数字识别MNIST或CIFAR-10。MNIST太简单适合验证流程CIFAR-10是32×32的彩色图片十类物体更有真实感。初学者我建议直接上CIFAR-10因为它的难度刚好能让你理解数据增强和过拟合是怎么回事。import torch import torchvision import torchvision.transforms as transforms # 定义数据预处理转换为张量并做归一化 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) # 下载训练集和测试集 trainset torchvision.datasets.CIFAR10(root./data, trainTrue, downloadTrue, transformtransform) testset torchvision.datasets.CIFAR10(root./data, trainFalse, downloadTrue, transformtransform) trainloader torch.utils.data.DataLoader(trainset, batch_size64, shuffleTrue, num_workers2) testloader torch.utils.data.DataLoader(testset, batch_size64, shuffleFalse, num_workers2) classes (plane, car, bird, cat, deer, dog, frog, horse, ship, truck)参数说明torchvision.transforms.ToTensor()把PIL图像转成[0,1]的张量并调整通道顺序Normalize用均值0.5、标准差0.5归一化到[-1,1]加快收敛。DataLoader中的batch_size64表示每次取64张图shuffleTrue打乱训练顺序num_workers2用两个子进程加载数据Windows下数字太大会报错建议设为0或2。4.2 定义网络、损失函数与优化器对于32×32的小图不需要很深的网络一个三层的卷积神经网络足够展示完整训练流程。PDF教程里通常先给全连接网络再给CNN这里直接给CNN因为ResNet之类的模型本质也是堆卷积层。import torch.nn as nn import torch.nn.functional as F class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 nn.Conv2d(3, 32, 3, padding1) # 3通道输入32个卷积核 self.conv2 nn.Conv2d(32, 64, 3, padding1) # 32通道输入64个卷积核 self.pool nn.MaxPool2d(2, 2) # 2×2最大池化 self.fc1 nn.Linear(64 * 8 * 8, 256) self.fc2 nn.Linear(256, 10) def forward(self, x): x self.pool(F.relu(self.conv1(x))) # 输出 (batch, 32, 16, 16) x self.pool(F.relu(self.conv2(x))) # 输出 (batch, 64, 8, 8) x x.view(-1, 64 * 8 * 8) # 展平 x F.relu(self.fc1(x)) x self.fc2(x) return x网络结构说明nn.Conv2d(3, 32, 3, padding1)表示输入通道3输出通道32卷积核3×3padding1保持尺寸不变。每经过一次卷积加激活图像尺寸不变经过一次MaxPool2d(2,2)宽高减半。因此输入32×32第一次池化后16×16第二次池化后8×8。x.view(-1, 64*8*8)把特征图展平成向量-1表示自动推算batch大小。最后输出10维向量对应10个类别。接着定义损失函数和优化器import torch.optim as optim net SimpleCNN() criterion nn.CrossEntropyLoss() # 多分类交叉熵损失 optimizer optim.SGD(net.parameters(), lr0.01, momentum0.9) # 带动量的随机梯度下降参数说明CrossEntropyLoss内部自动做了softmax无需在网络最后一层加softmaxSGD的lr是学习率太大不收敛太小收敛慢momentum0.9是常用默认值利用历史梯度加速下降同时减少震荡。想快速出效果可以换成Adam但初学阶段推荐SGD因为它对学习率的敏感度能让你更直观体会调参的意义。4.3 训练循环epoch、batch、loss的关系训练的核心是三层循环外层是epoch完整遍历一遍数据集的次数中层是batch一个batch一个batch地取数据内层是具体的前向传播、反向传播和参数更新。for epoch in range(10): running_loss 0.0 for i, data in enumerate(trainloader, 0): inputs, labels data # 取一个batch的输入和标签 optimizer.zero_grad() # 梯度清零 outputs net(inputs) # 前向传播 loss criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 running_loss loss.item() if i % 200 199: # 每200个batch打印一次 print(f[{epoch 1}, {i 1:5d}] loss: {running_loss / 200:.3f}) running_loss 0.0逻辑说明optimizer.zero_grad()必须放在前向传播之前因为PyTorch的梯度是累积的loss.backward()计算参数梯度optimizer.step()根据优化器策略更新参数。running_loss用来统计打印间隔内的平均损失loss.item()把tensor转为Python数值避免建立计算图。如果这个循环跑起来发现损失不下降优先检查学习率是否过大以及数据预处理是否正常。4.4 评估模型用测试集计算准确率训练结束后用测试集验证泛化能力。注意评估阶段不需要计算梯度要包裹在torch.no_grad()里省内存且加速。correct 0 total 0 with torch.no_grad(): for data in testloader: images, labels data outputs net(images) _, predicted torch.max(outputs, 1) # 取出最大值的索引 total labels.size(0) correct (predicted labels).sum().item() print(fAccuracy: {100 * correct / total:.2f}%)代码说明torch.max(outputs, 1)返回两个值第一个是最大值第二个是最大值的索引predicted就是模型预测的类别编号。(predicted labels).sum().item()统计一个batch中预测正确的数量最后合计。显式用with torch.no_grad()包裹还能防止因为训练时残留的requires_grad状态导致GPU显存溢出。5. 高清PDF版教程的高效使用技巧版本核对与检索式学习5.1 快速判断PDF是否是最新版本拿到任何一份PDF先看三个地方出版或编译日期、目录中是否有torch.compile或nn.Module相关章节、代码示例里是否出现过被废弃的API。比如torch.autograd.Variable已经退役如果你的PDF里大量使用Variable(tensor, requires_gradTrue)说明这份教程停留在PyTorch 0.4时代很多接口已经不兼容了。还有一个简单方法打开PDF随便找一段安装说明如果还在推荐pip install https://download.pytorch.org/whl/torch-...这种老链接建议直接换成官方文档电子版。5.2 用文本检索代替从头阅读我读技术类PDF的习惯是先看目录然后用阅读器自带的搜索功能把backward、DataLoader、optimizer.step这些关键词搜一遍跳到对应页看代码和解释。这样比逐页读快得多尤其适合复习看到某个API不会用了直接搜名字比搜索引擎更准因为PDF内页的内容往往针对同一个上下文。PDF没有全文索引时可以先跑一下pdftotext之类的命令行工具提取文本再配合grep搜索。pdftotext pytorch-tutorial.pdf output.txt grep -n torch.compile output.txt命令说明pdftotext是Linux和macOS上常用的PDF文本提取工具Windows可以用Python的PyPDF2或pdfplumber替代。提取出纯文本后用grep -n搜索关键词-n显示行号这样就能快速定位到PDF第几页、第几段。5.3 一份可持续使用的“极简速查表”与其每次翻PDF不如把最核心的代码片段摘出来整理成自己的pytorch_cheatsheet.py每次写新项目前对照一遍。常见的做法是维护一个只有几十行的小文件包含环境检查、张量创建、卷积网络骨架、训练循环骨架、保存和加载模型。保存和加载模型是PDF里容易被忽略的部分但实际项目中高频使用# 保存 torch.save(net.state_dict(), model.pth) # 加载 net2 SimpleCNN() net2.load_state_dict(torch.load(model.pth, map_locationcpu)) net2.eval()说明state_dict保存的是一份有序的参数字典map_locationcpu允许我们在没有GPU的机器上加载模型这在换机器调试时非常有用。net.eval()把模型切到评估模式会把Dropout和BatchNorm的行为切换到推理状态训练模式下不写会得到不稳定的推理结果。把这些片段从PDF里抄下来运行一遍再改一改比单纯“看会”有效得多。最后补充一个验证自己是否真正入门的方法在不看PDF的情况下试着写一个从环境检查到训练结束的完整脚本如果能在30分钟内写完并跑通说明你已经掌握了这份极简教程的核心。接下来要做的不是买更多课程而是打开官方文档把nn.Linear、nn.Conv2d、nn.CrossEntropyLoss的底层参数全部查一遍再往前走。本文还有配套的精品资源点击获取