PyTorch常用命令（可快速上手PyTorch的核心功能，涵盖从数据预处理到模型训练的全流程）

以下是PyTorch常用命令的分类整理，涵盖张量操作、模型构建、数据加载、训练流程等核心内容：

---

1. 张量操作

• 创建张量

  x = torch.tensor([1, 2, 3])           # 从数据创建
  x = torch.zeros(3, 3)                 # 全零张量
  x = torch.ones(3, 3)                  # 全一张量
  x = torch.randn(3, 3)                 # 标准正态分布随机数
  x = torch.arange(0, 10, step=2)       # 类似range的序列

• 形状操作

  x = x.view(2, -1)                     # 调整形状（需连续内存）
  x = x.reshape(2, -1)                  # 更灵活的调整形状
  x = x.permute(1, 0)                   # 维度转置
  x = x.squeeze()                       # 删除维度为1的轴
  x = x.unsqueeze(0)                    # 增加维度为1的轴

• 数学运算

  z = x + y                             # 逐元素加法
  z = torch.matmul(x, y)                # 矩阵乘法
  z = x.sum(dim=1)                      # 沿维度求和
  z = torch.cat([x, y], dim=0)          # 沿维度拼接张量

---

2. 模型构建

• 定义模型

  import torch.nn as nn
  class MyModel(nn.Module):def __init__(self):super().__init__()self.fc = nn.Linear(10, 5)    # 全连接层self.relu = nn.ReLU()         # 激活函数def forward(self, x):return self.relu(self.fc(x))

• 层与激活函数

  nn.Conv2d(in_channels, out_channels, kernel_size)  # 卷积层
  nn.LSTM(input_size, hidden_size)                   # LSTM层
  nn.BatchNorm2d(num_features)                       # 批归一化
  nn.Dropout(p=0.5)                                  # Dropout层

• 损失函数

  criterion = nn.CrossEntropyLoss()      # 分类任务
  criterion = nn.MSELoss()              # 回归任务

• 优化器

  optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
  optimizer = torch.optim.Adam(model.parameters())

---

3. 数据加载

• 自定义数据集

  from torch.utils.data import Dataset, DataLoader
  class MyDataset(Dataset):def __len__(self): return len(data)def __getitem__(self, idx): return data[idx], label[idx]dataset = MyDataset()
  dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

• 预加载数据集

  from torchvision import datasets, transforms
  transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,))
  ])
  mnist = datasets.MNIST(root='./data', train=True, download=True, transform=transform)

---

4. 训练流程

• 训练循环模板

  device = 'cuda' if torch.cuda.is_available() else 'cpu'
  model = MyModel().to(device)for epoch in range(num_epochs):model.train()for inputs, labels in dataloader:inputs, labels = inputs.to(device), labels.to(device)outputs = model(inputs)          # 前向传播loss = criterion(outputs, labels)optimizer.zero_grad()           # 清零梯度loss.backward()                 # 反向传播optimizer.step()                # 更新参数

• 评估模式

  model.eval()
  with torch.no_grad():                   # 禁用梯度计算for inputs, labels in val_loader:outputs = model(inputs)

---

5. 模型保存与加载

# 保存模型参数
torch.save(model.state_dict(), 'model.pth')# 加载模型参数
model.load_state_dict(torch.load('model.pth'))

---

6. 设备管理

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = model.to(device)                  # 模型移至GPU
x = x.to(device)                         # 数据移至GPU
torch.cuda.empty_cache()                  # 清理GPU缓存

---

7. 其他实用命令

• 与NumPy互转

  numpy_array = torch_tensor.numpy()       # Tensor → NumPy
  torch_tensor = torch.from_numpy(numpy_array)  # NumPy → Tensor

• 随机种子设置

  torch.manual_seed(42)                   # 固定随机性

• 自动求导

  x = torch.tensor(1.0, requires_grad=True)
  y = x**2
  y.backward()                            # 计算梯度
  print(x.grad)                           # 输出梯度值: 2.0

如果此文章对您有所帮助，那就请点个赞吧，收藏+关注 那就更棒啦，十分感谢！！！