PyTorch核心基础知识点（一）

一、基础工具与安装

1. Python两大法宝函数
   • dir()：快速查看模块结构，例如dir(torch)可查看PyTorch所有子模块
   • help()：获取函数/类的详细说明，如help(torch.cuda.is_available)查看GPU检测方法

   import torch
   print(dir(torch.optim))  # 查看优化器模块

2. 安装PyTorch
   • CPU版本：pip install torch torchvision
   • GPU版本：需额外安装CUDA驱动，官网生成对应命令
   • 验证安装：print(torch.__version__) 和 torch.cuda.is_available()

---

二、核心数据结构：Tensor

1. Tensor特性
   • 类似NumPy数组但支持GPU加速
   • 创建方式：torch.tensor(), torch.randn(), torch.zeros()

   x = torch.rand(2,3)  # 创建2x3随机张量

2. Tensor操作
   • 索引/切片：x[0,:]
   • 形状变换：x.view(3,2)或x.reshape(3,2)
   • 设备切换：x.to ('cuda')实现GPU计算

---

三、数据处理与可视化

1. Dataset与DataLoader
   • 自定义数据集需实现__len__和__getitem__

   from torch.utils.data import Dataset
   class MyDataset(Dataset):
       def __getitem__(self, index): 
           # 返回单条数据

2. TensorBoard可视化
   • 安装：pip install tensorboard
   • 基础使用：

     writer = SummaryWriter('logs')
     writer.add_scalar('Loss', loss, epoch)  # 记录标量
     writer.add_image('Input', img_tensor)   # 记录图像[[3,7,10]]

• 启动服务：tensorboard --logdir=logs --port=6006

3. Transforms数据增强
   • 将PIL图像转为Tensor并进行归一化：

     transform = transforms.Compose([
         transforms.Resize(256),
         transforms.ToTensor()  # 范围[0,1][[4,5]]
     ])

---

四、神经网络搭建

1. 模型定义
   • 继承nn.Module并实现forward方法

   class Net(nn.Module):
       def __init__(self):
           super().__init__()
           self.fc = nn.Linear(784, 10)
       def forward(self, x):
           return self.fc(x)

2. 训练流程

   optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
   criterion = nn.CrossEntropyLoss()
   
   for epoch in range(10):
       output = model(input)
       loss = criterion(output, target)
       optimizer.zero_grad()
       loss.backward()
       optimizer.step()  # 参数更新[[4,12,16]]

---

五、实战建议

1. 学习路径

   • 先掌握Python基础，再学习Tensor操作 → 数据加载 → 模型构建 → 训练优化
   • 官方教程：https://pytorch.org/tutorials/

2. 常见问题

   • GPU不可用：检查CUDA版本与PyTorch是否匹配
   • 维度错误：使用tensor.shape检查维度，unsqueeze()/squeeze()调整

通过结合官方文档与实战项目（如FashionMNIST分类），可快速提升PyTorch应用能力。建议在学习过程中多用print()和TensorBoard观察中间结果，加深对计算图的理解。