PyTorch 详细安装教程及核心API使用指南

一、PyTorch简介

PyTorch 是由 Facebook AI Research (FAIR) 于2016年开发的开源深度学习框架，现已成为学术界和工业界最受欢迎的深度学习工具之一。其核心优势在于采用了动态计算图（Dynamic Computation Graph，又称"define-by-run"机制），这使得开发者能够像编写普通Python代码一样构建神经网络，并在运行时动态调整计算图结构，大大提高了研究和实验的灵活性。

在硬件加速方面，PyTorch 提供了完整的GPU加速支持：

• 基于NVIDIA的CUDA并行计算平台
• 使用cuDNN深度神经网络加速库
• 支持多GPU分布式训练（通过torch.nn.DataParallel和DistributedDataParallel）
• 提供CPU/GPU设备自动切换功能（.to(device)方法）

PyTorch的自动微分系统（Autograd）是其最重要的特性之一：

• 自动追踪所有张量操作并构建计算图
• 支持前向传播自动记录和反向传播自动求导
• 提供梯度计算和参数更新的一站式解决方案
• 允许在运行时动态修改计算路径

框架内置了丰富的神经网络组件：

• 超过200种预定义层（如卷积层、LSTM、Transformer等）
• 常用损失函数（交叉熵、MSE等）
• 优化器实现（SGD、Adam等）
• 各种激活函数和归一化层

PyTorch还提供完整的模型生命周期管理工具：

• torchvision等生态库简化数据加载和预处理
• TorchScript支持模型序列化和部署
• ONNX格式导出实现跨框架兼容
• 原生支持移动端部署（PyTorch Mobile）
• 丰富的可视化工具（如TensorBoard集成）

在实际应用中，PyTorch被广泛用于：

1. 计算机视觉（图像分类、目标检测）
2. 自然语言处理（机器翻译、文本生成）
3. 强化学习
4. 生成对抗网络(GAN)
5. 科学计算等领域

---

二、PyTorch安装指南

1. 安装前准备

(1) 检查Python版本

PyTorch 要求 Python ≥ 3.7，推荐使用 Python 3.8/3.9。（如果版本低的话可以使用命令更新python版本）

python --version  # 检查Python版本

(2) 检查CUDA（GPU用户）

PyTorch 支持 GPU 加速，需安装 NVIDIA驱动 + CUDA Toolkit：

要保证你选择的CUDA版本号<=你的GPU驱动程序版本  

版本检查

在cmd里面，输入nvidia-smi查看GPU驱动程序版本：  

nvidia-smi  # 查看GPU信息
nvcc --version  # 查看CUDA版本

注意：PyTorch 版本需与 CUDA 版本匹配（如 CUDA 11.3 对应 PyTorch 1.10+）。

---

2. 安装PyTorch

官网地址：CUDA Toolkit Archive | NVIDIA Developer  

离线安装：

浏览器打开链接：https://download.pytorch.org/whl/cu121

找到torch，点击进入下载页面，找到适合自己cuda版本的安装包，下载即可（使用迅雷下载比较快）  

下载完成后，在Anaconda prompt界面切换到自己的虚拟环境，并将目录切换到torch安装包所在的文件夹，输入命令：

torch-2.3.1+cu121-cp310-cp310-win_amd64.whl

测试：

安装完成后，在pycharm中输入代码：

import torchprint(torch.cuda.is_available())
print(torch.__version__)

 然后再安装torchvision0.15.2和torchaudio2.0.2，版本号需要和线上安装的版本号一致

pip install torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu121

(1) 通过PyTorch官网获取安装命令

访问 PyTorch官网，选择：

• 操作系统（Windows/Linux/macOS）

• 包管理工具（pip/conda）

• Python 版本

• CUDA 版本（或选择 CPU 版本）

(2) 示例安装命令

① CPU版本（无GPU）

pip install torch torchvision torchaudio

② GPU版本（CUDA 11.3） 

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

③ Conda安装 

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

3. 验证安装 

import torch# 检查PyTorch版本
print(torch.__version__)  # 输出：1.12.1（示例）# 检查CUDA是否可用
print(torch.cuda.is_available())  # 输出：True（GPU可用）/ False（仅CPU）

三、PyTorch核心API详解

1. 张量（Tensor）操作

张量（Tensor）是 PyTorch、TensorFlow 等深度学习框架中的核心数据结构，可以理解为多维数组的扩展：

• 标量（0维张量）：单个数字，如 3.14

• 向量（1维张量）：一维数组，如 [1, 2, 3]

• 矩阵（2维张量）：二维表格，如 [[1, 2], [3, 4]]

• 高阶张量（3维及以上）：如 RGB 图像（宽度×高度×通道数）

类比：

• NumPy 的 ndarray → PyTorch 的 Tensor

• 但张量支持 GPU加速 和 自动微分，专为深度学习优化。

(1) 创建张量

在深度学习和科学计算中，张量是一种多维数组数据结构，是构建神经网络的基本单元。我们可以通过以下几种方式创建张量：

1. 从Python列表或NumPy数组创建：

   import torch# 从列表创建1维张量
   tensor1 = torch.tensor([1, 2, 3, 4])# 从嵌套列表创建2维张量
   tensor2 = torch.tensor([[1, 2], [3, 4]])# 从NumPy数组创建
   import numpy as np
   np_array = np.array([5, 6, 7])
   tensor3 = torch.from_numpy(np_array)
   

2. 使用初始化方法创建特定形状的张量：

   # 创建全零张量
   zeros_tensor = torch.zeros(2, 3)  # 2行3列的零矩阵# 创建全一张量
   ones_tensor = torch.ones(3, 3)    # 3×3的单位矩阵# 创建随机值张量
   rand_tensor = torch.rand(4, 4)    # 4×4的随机矩阵，元素在[0,1)均匀分布# 创建正态分布张量
   normal_tensor = torch.randn(2, 2) # 2×2的标准正态分布矩阵
   

3. 创建与现有张量形状相同的张量：

   existing_tensor = torch.tensor([[1, 2], [3, 4]])# 创建形状相同但填充不同值的张量
   same_shape_zeros = torch.zeros_like(existing_tensor)
   same_shape_ones = torch.ones_like(existing_tensor)
   same_shape_rand = torch.rand_like(existing_tensor, dtype=torch.float32)
   

4. 创建特殊类型张量：

   # 创建单位矩阵
   eye_tensor = torch.eye(3)  # 3×3的单位矩阵# 创建等差数列张量
   arange_tensor = torch.arange(0, 10, 2)  # [0, 2, 4, 6, 8]# 创建线性间隔张量
   linspace_tensor = torch.linspace(0, 1, 5)  # [0.0, 0.25, 0.5, 0.75, 1.0]
   

在创建张量时，可以通过dtype参数指定数据类型（如torch.float32、torch.int64等），device参数指定计算设备（如'cpu'或'cuda'），requires_grad参数指定是否需要计算梯度（用于自动微分）。

import torch# 检查CUDA是否可用
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# 创建浮点型张量（默认float32），位于GPU（如果可用），需要梯度
x = torch.tensor([1.0, 2.0, 3.0], dtype=torch.float32,  # 指定数据类型device=device,        # 指定计算设备requires_grad=True)   # 启用梯度计算# 创建整型张量（int64），位于CPU，不需要梯度
y = torch.tensor([4, 5, 6], dtype=torch.int64)# 简单运算（结果会继承x的属性）
z = x * 2 + y.to(device)  # 将y移到相同设备# 反向传播计算梯度
z.sum().backward()# 查看梯度
print(f"张量x的值: {x}")
print(f"张量x的梯度: {x.grad}")
print(f"张量z是否需要梯度: {z.requires_grad}")

(2) 张量运算 

张量的运算是对应位置相互运算，但是张量也可以进行矩阵运算，只是使用的api不同。 

a = torch.tensor([1, 2, 3])
b = torch.tensor([4, 5, 6])# 加法
c = a + b  # 或 torch.add(a, b)
print(c)  # 输出：tensor([5, 7, 9])# 矩阵乘法
mat_a = torch.randn(2, 3)
mat_b = torch.randn(3, 2)
mat_c = torch.matmul(mat_a, mat_b)  # 或使用 @ 运算符
print(mat_c.shape)  # 输出：torch.Size([2, 2])

2. Autograd（自动微分）

PyTorch 的 autograd 模块提供自动求导功能：

x = torch.tensor(2.0, requires_grad=True)  # 启用梯度跟踪
y = x ** 2 + 3 * x + 1  # 计算y = x² + 3x + 1
y.backward()  # 反向传播计算梯度
print(x.grad)  # 输出：7.0（dy/dx = 2x + 3，x=2时梯度为7）

3. 神经网络构建（torch.nn）

(1) 定义神经网络

import torch.nn as nnclass SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(10, 5)  # 全连接层（输入10维，输出5维）self.relu = nn.ReLU()        # 激活函数self.fc2 = nn.Linear(5, 1)   # 输出层（输出1维）def forward(self, x):x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return xmodel = SimpleNN()
print(model)

(2) 损失函数与优化器 

criterion = nn.MSELoss()  # 均方误差损失
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降# 模拟训练数据
inputs = torch.randn(100, 10)  # 100个样本，每个10维
targets = torch.randn(100, 1)   # 100个标签# 训练循环
for epoch in range(100):optimizer.zero_grad()  # 清空梯度outputs = model(inputs)  # 前向传播loss = criterion(outputs, targets)  # 计算损失loss.backward()         # 反向传播optimizer.step()        # 更新权重

四、常见问题解决

1. 安装失败

• CUDA版本不匹配：卸载旧版本，重新安装匹配的 PyTorch。

• 网络问题：使用 -i https://pypi.tuna.tsinghua.edu.cn/simple 换源。

2. GPU不可用

• 检查 torch.cuda.is_available()。（是否电脑有GPU)

• 确认安装了 CUDA + cuDNN。

---

五、总结

本文详细介绍了：

1. PyTorch 的 安装方法（CPU/GPU版本）

2. 张量操作 和 自动微分

3. 神经网络构建 与 训练流程

4. 常见问题解决方案

PyTorch 凭借其灵活性和高效性，已成为深度学习研究的主流工具。建议读者动手实践示例代码，逐步掌握其核心功能！

🚀 进阶学习：

• PyTorch官方教程

• 《Deep Learning with PyTorch》