PyTorch 该怎么学？太简单了

挺多小伙伴问过PyTorch该怎么学，经过长期实践来看，初学者需要熟知的概念和用法真的不多，以下总结的简明指南一起看看吧！

构建Tensor

PyTorch 中的 Tensors 是多维数组，类似于 NumPy 的 ndarrays，但可以在 GPU 上运行：

import torch

# Create a 2x3 tensor
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(tensor)

动态计算图

PyTorch 使用动态计算图，在执行操作时即时构建计算图，这为在运行时修改图形提供了灵活性：

# Define two tensors
a = torch.tensor([2.], requires_grad=True)
b = torch.tensor([3.], requires_grad=True)

# Compute result
c = a * b
c.backward()

# Gradients
print(a.grad)  # Gradient w.r.t a

GPU加速

PyTorch 允许在 CPU 和 GPU 之间轻松切换。使用 .to(device) 即可：

device = "cuda" if torch.cuda.is_available() else "cpu"
tensor = tensor.to(device)

Autograd：自动微分

PyTorch 的 autograd 为tensor的所有运算提供了自动微分功能，设置 requires_grad=True可以跟踪计算：

x = torch.tensor([2.], requires_grad=True)
y = x**2
y.backward()
print(x.grad)  # Gradient of y w.r.t x

模块化神经网络

PyTorch 提供了 nn.Module 类来定义神经网络架构，通过子类化创建自定义层：

import torch.nn as nn

class SimpleNN(nn.Module):

    def __init__(self):
        super().__init__()
        self.fc = nn.Linear(1, 1)
        
    def forward(self, x):
        return self.fc(x)

预定义层和损失函数

PyTorch 在 nn 模块中提供了各种预定义层、损失函数和优化算法：

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

Dataset 与 DataLoader

为实现高效的数据处理和批处理，PyTorch 提供了 Dataset 和 DataLoader 类：

from torch.utils.data import Dataset, DataLoader

class CustomDataset(Dataset):
    # ... (methods to define)
    
data_loader = DataLoader(dataset, batch_size=32, shuffle=True)

模型训练（循环）

通常PyTorch 的训练遵循以下模式：前向传播、计算损失、反向传递和参数更新：

for epoch in range(epochs):
    for data, target in data_loader:
        optimizer.zero_grad()
        output = model(data)
        loss = loss_fn(output, target)
        loss.backward()
        optimizer.step()

模型序列化

使用 torch.save() 和 torch.load() 保存并加载模型：

# Save
torch.save(model.state_dict(), 'model_weights.pth')

# Load
model.load_state_dict(torch.load('model_weights.pth'))

JIT

PyTorch 默认以eager模式运行，但也为模型提供即时（JIT）编译：

scripted_model = torch.jit.script(model)
scripted_model.save("model_jit.pt")