PyCharm使用pytorch深度学习

### 如何在 PyCharm 中设置和使用 PyTorch 进行深度学习

#### 创建新项目
为了开始一个新的基于 PyTorch 的深度学习项目，在启动 PyCharm 后应选择 "Create New Project". 在弹出窗口中指定项目的名称与位置，并确保选择了合适的 Python 解释器版本。

#### 设置解释器和依赖项
对于已经配置好的 PyTorch 环境，确认 PyCharm 使用的是该环境中对应的 Python 解释器非常重要。这可以通过进入 `File` -> `Settings`(Windows/Linux) 或者 `PyCharm` -> `Preferences`(macOS)，导航到 `Project: <project_name>` -> `Python Interpreter` 来实现[^2]。在这里可以看到当前使用的解释器列表；如果未找到所需的解释器，则点击齿轮图标并添加新的虚拟环境或现有环境路径来指向已有的 Anaconda/Miniconda 下的 PyTorch 环境。

#### 编写代码
一旦设置了正确的解释器之后就可以编写利用 PyTorch 库执行各种机器学习任务的应用程序了。下面是一个简单的例子展示怎样定义神经网络模型：

import torch
from torch import nn, optim


class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(784, 10)

    def forward(self, x):
        return self.fc(x)


model = SimpleNet()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

此段代码展示了如何导入必要的模块、构建一个具有单层全连接结构的小型网络类 `SimpleNet`, 并初始化损失函数和优化算法实例[^1]。

#### 调试和支持
当遇到问题时，可以充分利用 PyCharm 提供的强大调试功能，比如断点设置、变量监视等特性帮助定位错误所在之处。此外还可以通过集成终端运行命令行工具或者查看官方文档获取更多支持信息。