Pytorch 教学案例

### PyTorch 教学案例与示例代码 以下是基于提供的引用内容和专业知识整理的关于 PyTorch 的教学案例及其示例代码： #### 数据加载与处理 PyTorch 提供了 `torch.utils.data.DataLoader` 和 `torch.utils.data.Dataset` 工具来简化数据加载的过程[^2]。这些工具可以帮助开发者高效地管理训练数据。 ```python from torch.utils.data import Dataset, DataLoader class CustomDataset(Dataset): def __init__(self, data, labels): self.data = data self.labels = labels def __len__(self): return len(self.data) def __getitem__(self, idx): sample = { 'data': self.data[idx], 'label': self.labels[idx] } return sample dataset = CustomDataset(data=[1, 2, 3], labels=['a', 'b', 'c']) dataloader = DataLoader(dataset, batch_size=1, shuffle=True) for batch in dataloader: print(batch) ``` #### 安装环境配置 在 Windows 下可以使用 Conda 方式安装 PyTorch 及其依赖项，同时指定 CUDA 版本以支持 GPU 加速[^1]。 ```bash conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia ``` #### 基础模型定义与训练 以下是一个简单的线性回归模型实现[^3]，展示了如何定义网络结构并完成基本的训练流程。 ```python import torch import torch.nn as nn import torch.optim as optim # 定义模型 class LinearModel(nn.Module): def __init__(self): super(LinearModel, self).__init__() self.linear = nn.Linear(1, 1) # 输入维度为1，输出维度为1 def forward(self, x): return self.linear(x) model = LinearModel() # 损失函数与优化器 criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01) # 训练数据 inputs = torch.tensor([[1.0], [2.0], [3.0]]) targets = torch.tensor([[2.0], [4.0], [6.0]]) # 训练循环 for epoch in range(500): model.train() outputs = model(inputs) loss = criterion(outputs, targets) optimizer.zero_grad() loss.backward() optimizer.step() print(f'Final weights: {list(model.parameters())}') ``` #### 设计理念对比 相较于 Keras，PyTorch 更加灵活，在动态计算图的支持上表现突出[^4]。这种灵活性使得 PyTorch 成为了研究型项目的首选框架之一。 ---