PyTorch的Python特性：

• 原生Python API设计，符合Python编程习惯
• 与NumPy无缝集成，支持数组转换
• 动态计算图（动态图）机制，支持Python控制流
• 丰富的Python库支持（Pandas、Matplotlib等）
• 完整的Python调试支持

# 使用pip安装（CPU版本）
pip install torch torchvision

# 使用conda安装（GPU版本）
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
                    

import torch

# 创建张量
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])

# 张量运算
z = x + y
print("加法结果:", z)

# 自动微分
w = torch.tensor(2.0, requires_grad=True)
b = torch.tensor(1.0, requires_grad=True)
y_pred = w * x + b
loss = torch.sum((y_pred - y) ** 2)
loss.backward()

print("w的梯度:", w.grad)
print("b的梯度:", b.grad)
                    

import torch
import torch.nn as nn
import torch.optim as optim

# 定义神经网络
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(10, 20)  # 输入层到隐藏层
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(20, 1)   # 隐藏层到输出层
        
    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

# 创建模型实例
model = SimpleNN()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 模拟训练数据
inputs = torch.randn(100, 10)   # 100个样本，每个样本10个特征
targets = torch.randn(100, 1)   # 100个目标值

# 训练循环
for epoch in range(100):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/100], Loss: {loss.item():.4f}')
                    

社区支持与研究应用

PyTorch在学术界和工业界都获得了广泛支持。大多数AI研究论文都选择PyTorch作为实现框架，这使得寻找解决方案和研究复现更加容易。

立即安装PyTorch