1 介绍
1 第一个例子
- 1.1 第一步安装PyTorch库
  - 安装过程
  - 遇到问题：
- 1.2 简单的 PyTorch 示例
  - 代码解释：

1 介绍

https://pytorch.ac.cn/

PyTorch 是由 Facebook（现 Meta）开发的开源深度学习框架，以动态计算图、简洁 API 和强大的 Python 集成著称，是科研和工业界实现深度学习模型的主流工具之一。

官方教程：PyTorch Quickstart（最权威，代码可直接复制运行）。

视频教程：B 站 “跟李沐学 AI” 的《PyTorch 实战》（前 5 集足够，讲得细且贴近实战）。

工具：遇到 API 疑问直接查 PyTorch 官方文档（搜索关键词如 “torch.nn.Linear”）。

1 第一个例子

1.1 第一步安装PyTorch库

安装过程

# 对于CPU版本（适合初学者入门）
pip install torch torchvision torchaudio

# 如果你有NVIDIA显卡并想使用GPU加速
# 请先查看PyTorch官网找到适合你CUDA版本的安装命令

# 对于CPU版本（适合初学者入门）

pip install torch torchvision torchaudio

# 如果你有NVIDIA显卡并想使用GPU加速

# 请先查看PyTorch官网找到适合你CUDA版本的安装命令

安装完成后，可以在 Python 环境中验证

在终端输入 python

输入

import torch
print(torch.__version__)  # 打印PyTorch版本号
效果

import torch

print(torch.__version__) # 打印PyTorch版本号

效果

遇到问题：

1、问题描述：

在终端输入import torch print(torch.__version__) 可以获取到版本号，但是没有在Trae IDE中import torch提示找不到torch

2、问题分析

这种情况通常是因为你的 IDE 使用的 Python 环境与你在终端中使用的环境不一致导致的。可以按照以下步骤解决：

3、问题解决

（1）确认终端中使用的 Python 环境

在终端中执行以下命令，查看安装了 PyTorch 的 Python 路径：( 在下一步IDE选择环境变量时，也要保持一致)

# 查看Python解释器路径
which python  # Linux/Mac
# 或
where python  # Windows

# 查看pip对应的Python环境
which pip    # Linux/Mac
# 或
where pip    # Windows

# 查看Python解释器路径

which python # Linux/Mac

# 或

where python # Windows

# 查看pip对应的Python环境

which pip # Linux/Mac

# 或

where pip # Windows

(2) 修改Trae的python环境配置

打开命令面板：Ctrl+Shift+P（Windows/Linux）或 Cmd+Shift+P（Mac）

输入并选择 Python: Select Interpreter

在列表中选择你安装模块时使用的 Python 环境（如果使用虚拟环境，要选择虚拟环境中的 Python 解释器）

1.2 简单的 PyTorch 示例

import torch


def first_demo():
    # 1. 创建张量（类似NumPy的数组，但可以在GPU上运行并支持自动求导）
    # 创建一个2x3的随机张量
    x = torch.rand(2, 3)
    print("随机张量 x:")
    print(x)
    print("x的形状:", x.shape)
    print("x的数据类型:", x.dtype)

    # 创建一个全为1的张量
    y = torch.ones(2, 3)
    print("\n全为1的张量 y:")
    print(y)

    # 2. 张量运算
    z = x + y  # 张量加法
    print("\nx + y 的结果:")
    print(z)

    # 3. 自动求导示例
    # 创建一个需要求导的张量
    a = torch.tensor([2.0], requires_grad=True)
    b = torch.tensor([3.0], requires_grad=True)

    # 定义一个计算
    c = a * b + a  # c = 2*3 + 2 = 8

    # 反向传播，计算梯度
    c.backward()

    # 输出梯度
    print("\na的梯度 (dc/da):", a.grad)  # 应为 b + 1 = 4
    print("b的梯度 (dc/db):", b.grad)  # 应为 a = 2


if __name__ == '__main__':
    first_demo()

import torch

def first_demo():

# 1. 创建张量（类似NumPy的数组，但可以在GPU上运行并支持自动求导）

# 创建一个2x3的随机张量

x = torch.rand(2, 3)

print("随机张量 x:")

print(x)

print("x的形状:", x.shape)

print("x的数据类型:", x.dtype)

# 创建一个全为1的张量

y = torch.ones(2, 3)

print("\n全为1的张量 y:")

print(y)

# 2. 张量运算

z = x + y # 张量加法

print("\nx + y 的结果:")

print(z)

# 3. 自动求导示例

# 创建一个需要求导的张量

a = torch.tensor([2.0], requires_grad=True)

b = torch.tensor([3.0], requires_grad=True)

# 定义一个计算

c = a * b + a # c = 2*3 + 2 = 8

# 反向传播，计算梯度

c.backward()

# 输出梯度

print("\na的梯度 (dc/da):", a.grad) # 应为 b + 1 = 4

print("b的梯度 (dc/db):", b.grad) # 应为 a = 2

if __name__ == '__main__':

first_demo()

运行结果

代码解释：

导入 PyTorch：import torch 语句导入了 PyTorch 库，这是使用 PyTorch 的第一步。
张量创建：
- torch.rand(2, 3) 创建了一个 2 行 3 列的随机值张量
- torch.ones(2, 3) 创建了一个 2 行 3 列全为 1 的张量
张量运算：展示了简单的加法运算，PyTorch 支持各种张量运算，语法与 NumPy 类似。
自动求导：这是 PyTorch 的核心功能之一，通过设置requires_grad=True，可以跟踪该张量的所有操作，然后通过backward()方法自动计算梯度，这对神经网络训练非常重要。

Heart.Think.Do

Pytorch一个简单Demo

1 介绍

1 第一个例子

1.1 第一步安装PyTorch库

安装过程

遇到问题：

1.2 简单的 PyTorch 示例

代码解释：

Related Posts:

分类&标签

Pytorch一个简单Demo

1 介绍

1 第一个例子

1.1 第一步 安装PyTorch库

安装过程

遇到问题：

1.2 简单的 PyTorch 示例

代码解释：

Related Posts:

分类&标签

1.1 第一步安装PyTorch库