pytorch基础使用

PyTorch是一款开源的深度学习框架，它基于Python语言，并提供动态计算图的能力，这使得模型构建和调试相对直观。以下是PyTorch的一些基本使用：

1. **安装与导入**：首先需要安装PyTorch库，可以使用pip进行安装。导入`torch`库后，可以创建张量（类似于NumPy数组，但支持GPU运算）。

import torch

2. **张量操作**：张量是PyTorch的核心数据结构，你可以对它们进行基本的数学运算、索引和切片等操作。

x = torch.tensor([1, 2, 3]) # 创建一个一维张量
y = torch.tensor([[4, 5], [6, 7]]) # 创建一个二维张量

3. **自动求导**：PyTorch内置了autograd机制，用于自动计算梯度，这对于训练神经网络至关重要。

z = x * y
grad = torch.autograd.grad(z.sum(), [x, y]) # 计算z关于x和y的梯度

4. **定义和训练模型**：通过定义nn.Module类来创建模型，然后设置优化器（如SGD或Adam）和损失函数（如交叉熵），进行前向传播、反向传播并更新权重。

class Net(nn.Module):
    def __init__(self): ... # 初始化模型
    def forward(self, input): ... # 定义前向传播

model = Net()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

input_tensor = torch.randn(1, 3, 224, 224) # 假设输入图片
output = model(input_tensor)
loss = criterion(output, target) # 假设target是对应标签
loss.backward()  # 反向传播
optimizer.step()  # 更新权重