pytorch代码实战-关于dict的用法

### 学习 PyTorch 新手入门与实战技巧 对于新手来说，掌握 PyTorch 的基本操作以及如何将其应用于实际项目是非常重要的。以下是关于 PyTorch 基础用法和实战技巧的内容。 #### 1. PyTorch 基本概念 PyTorch 是一种基于 Python 的科学计算包，广泛用于深度学习研究。它提供了强大的张量运算功能，并支持动态计算图。了解其核心组件（如 Tensor 和 Autograd）是入门的关键[^1]。 #### 2. 创建简单的神经网络并训练 下面是一个完整的代码示例，展示如何构建一个简单的全连接神经网络来解决分类问题： ```python import torch from torch import nn, optim from torchvision import datasets, transforms # 数据预处理 transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=64, shuffle=False) # 定义模型结构 class NeuralNetwork(nn.Module): def __init__(self): super(NeuralNetwork, self).__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(28*28, 512), nn.ReLU(), nn.Linear(512, 512), nn.ReLU(), nn.Linear(512, 10) ) def forward(self, x): x = self.flatten(x) logits = self.linear_relu_stack(x) return logits model = NeuralNetwork() # 设置损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 训练过程 def train(dataloader, model, loss_fn, optimizer): size = len(dataloader.dataset) model.train() for batch, (X, y) in enumerate(dataloader): X, y = X.to('cpu'), y.to('cpu') # 如果有 GPU 支持可以改为 .to('cuda') pred = model(X) loss = loss_fn(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() if batch % 100 == 0: loss_value = loss.item() current = batch * len(X) print(f"loss: {loss_value:>7f} [{current:>5d}/{size:>5d}]") # 测试过程 def test(dataloader, model, loss_fn): size = len(dataloader.dataset) num_batches = len(dataloader) model.eval() test_loss, correct = 0, 0 with torch.no_grad(): for X, y in dataloader: X, y = X.to('cpu'), y.to('cpu') # 如果有 GPU 支持可以改为 .to('cuda') pred = model(X) test_loss += loss_fn(pred, y).item() correct += (pred.argmax(1) == y).type(torch.float).sum().item() test_loss /= num_batches correct /= size print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f}") epochs = 5 for t in range(epochs): print(f"Epoch {t+1}\n-------------------------------") train(train_loader, model, criterion, optimizer) test(test_loader, model, criterion) print("Done!") # 保存模型权重 torch.save(model.state_dict(), "mnist_model.pth") # 使用 save 方法存储模型参数 ``` 上述代码展示了如何加载数据集、定义模型架构、设置损失函数和优化器，并完成模型的训练与测试流程[^3]。 #### 3. 处理更复杂的任务 当掌握了基础知识之后，可以通过实现更多复杂的功能提升技能水平，比如自定义层设计、分布式训练或多 GPU 并行加速等。此外，在实践中不断积累经验也非常重要[^2]。 #### 4. 社区资源推荐 除了官方文档外，还有许多优秀的第三方资料可以帮助加深理解，例如 GitHub 上的一些开源项目或者技术博客文章。遇到困难时也可以通过加入相关论坛寻求帮助和支持。