深度学习入门该选哪个框架？毫无疑问，PyTorch必须是首选！它简洁易懂、API友好，既能满足学术研究需求，也能适配工业界落地，尤其适合Python开发者快速上手。

今天这篇文章，就从PyTorch基础概念、核心操作，一步步带大家入门，全程附可直接运行的代码，新手跟着敲就能学会，建议收藏备用！

一、PyTorch核心认知：是什么？为什么选它？

先给新手科普下核心概念，避免一开始就被术语劝退：

PyTorch是一个基于Python语言的深度学习框架，核心是将数据封装成「张量（Tensor）」进行处理——简单理解，张量就是多维数组，和NumPy的ndarray类似，但支持GPU加速，这也是它能高效训练模型的关键。

对比大家常听说的TensorFlow，PyTorch的优势更突出，新手闭眼冲：

框架	PyTorch	TensorFlow
风格	Python式写法，代码直观，贴近原生Python	静态图+Keras，体系较重，代码相对复杂
计算模式	动态计算图（即时执行），调试方便	静态计算图（TF1）+动态（TF2），上手门槛高
学习成本	低，新手易上手	较高，需要熟悉其生态和API设计

应用场景：计算机视觉（CV）、自然语言处理（NLP）、强化学习等，目前主流大厂、科研机构都在广泛使用。

二、PyTorch环境安装（避坑版）

安装是新手第一个坑，这里直接给出适配CPU和GPU的两种安装命令，复制执行即可，无需复杂配置：

1. CPU版本（适合无独立显卡的电脑）

pip3 install torch -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 英伟达GPU版本（适合有独立显卡，且支持CUDA的电脑）

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu126

注意：如果执行CPU版本命令出现「link fetch error」，大概率是清华源临时不稳定，可刷新后重试，或更换其他国内源（如阿里云源）。

验证安装是否成功：打开Python终端，输入以下代码，无报错即安装成功：

import torch 
print(torch.__version__) # 打印PyTorch版本 
print(torch.cuda.is_available()) # 查看GPU是否可用（返回True即支持GPU）

三、PyTorch核心操作：张量（Tensor）全解析

张量是PyTorch的核心数据结构，所有操作都围绕张量展开，这部分是基础，一定要吃透！

3.1 什么是张量？

张量就是多维数组，对应不同维度有不同叫法，新手无需死记，结合例子理解：

• 0维张量（标量）：单个数值，如torch.tensor(10)

• 1维张量（向量）：一串数值，如 torch.tensor([10,20,30])

• 2维张量（矩阵）：二维数组，如 torch.tensor([[10,20],[30,40]])

• 3维及以上：多用于存储图片（如3通道图片：HWC）、时序数据等

3.2 张量的创建方法（常用3类）

整理了新手最常用的创建方式，附代码和输出结果，直接复制运行：

import torch
import numpy as np

# 1. torch.tensor()：根据指定数据创建（最常用）
data1 = torch.tensor(10)  # 0维张量
data2 = torch.tensor([[10.,20.,30.],[40.,50.,60.]])  # 2维张量
data3 = torch.tensor(np.random.randn(2,3))  # 从NumPy数组创建
print("data1:", data1)
print("data2:", data2)

# 2. torch.Tensor()：根据形状创建（默认float32）
data4 = torch.Tensor(2,3)  # 创建2行3列的空张量（随机值）
print("data4:", data4)

# 3. 指定类型创建（IntTensor/FloatTensor等）
data5 = torch.IntTensor(2,3)  # int32类型
data6 = torch.FloatTensor([2.5,3.3])  # float32类型（自动转换整数）
print("data5:", data5)
print("data6:", data6)

输出结果：

data1: tensor(10)
data2: tensor([[10., 20., 30.],
        [40., 50., 60.]])
data4: tensor([[0.0000e+00, 3.6893e+19, 2.2018e+05],
        [4.6577e-10, 2.4158e-12, 1.1625e+33]])
data5: tensor([[         0, 1610612736, 1213662609],
        [ 805308409,  156041223,          1]], dtype=torch.int32)
data6: tensor([2., 3.])

3.3 常用张量操作（必学）

整理了新手高频操作，分为「创建特殊张量」「类型转换」「形状操作」「索引操作」4类，每类附核心代码：

（1）创建特殊张量（全0、全1、线性/随机张量）

# 全0张量
zeros_tensor = torch.zeros(2,3)
# 全1张量
ones_tensor = torch.ones(2,3)
# 全指定值张量（如全为10）
full_tensor = torch.full([2,3], 10)
# 线性张量（0到10，步长2）
arange_tensor = torch.arange(0,10,2)
# 随机张量（2行3列，正态分布）
randn_tensor = torch.randn(2,3)

print("全0张量:", zeros_tensor)
print("线性张量:", arange_tensor)

（2）张量类型转换

data = torch.full([2,3], 10)
print("原始类型:", data.dtype)  # 默认为int64

# 方法1：type()转换
data1 = data.type(torch.FloatTensor)
# 方法2：直接调用类型方法（更简洁）
data2 = data.double()  # 转换为float64
# 方法3：to()转换
data3 = data.to(torch.float32)

print("转换后类型（float32）:", data1.dtype)

（3）张量形状操作（reshape/squeeze/transpose等）

形状操作是实战中高频需求，重点掌握这5个函数：

data = torch.tensor([[10,20,30],[40,50,60]])
print("原始形状:", data.shape)  # torch.Size([2,3])

# 1. reshape：修改形状（不改变数据）
reshape_data = data.reshape(1,6)
# 2. unsqueeze：增加维度（如1维→2维）
unsqueeze_data = data.unsqueeze(dim=0)  # 形状变为(1,2,3)
# 3. squeeze：删除形状为1的维度
squeeze_data = unsqueeze_data.squeeze()  # 恢复原始形状
# 4. transpose：交换两个维度
transpose_data = torch.transpose(data, 0, 1)  # 交换0和1维度，形状变为(3,2)
# 5. permute：一次交换多个维度（适合高维张量）
permute_data = data.permute([1,0])  # 效果和transpose一致

print("reshape后形状:", reshape_data.shape)
print("transpose后形状:", transpose_data.shape)

（4）张量索引操作（获取指定元素）

data = torch.randint(0,10, [4,5])  # 4行5列的随机整数张量
print("原始张量:\n", data)

# 1. 简单行列索引（获取第0行、第0列）
print("第0行:", data[0])
print("第0列:", data[:,0])

# 2. 范围索引（前3行，前2列）
print("前3行前2列:\n", data[:3, :2])

# 3. 多维索引（3维张量为例）
data3d = torch.randint(0,10, [3,4,5])
print("3维张量第0个维度的所有数据:\n", data3d[0, :, :])

3.4 张量与NumPy数组的转换

实战中经常需要和NumPy数组互转，重点注意「共享内存」的问题：

import numpy as np

# 1. 张量 → NumPy数组（共享内存，修改一个会影响另一个）
tensor = torch.tensor([2,3,4])
numpy_arr = tensor.numpy()
# 避免共享内存：加.copy()
numpy_arr2 = tensor.numpy().copy()

# 2. NumPy数组 → 张量（两种方式）
numpy_data = np.array([2,3,4])
tensor1 = torch.from_numpy(numpy_data)  # 共享内存
tensor2 = torch.tensor(numpy_data)      # 不共享内存

print("NumPy转张量:", tensor1)

避坑提示：如果张量开启了自动微分（requires_grad=True），不能直接转NumPy，需用 tensor.detach().numpy() 先脱离计算图。

四、张量运算与自动微分（核心难点）

深度学习的核心是「反向传播求梯度」，PyTorch的自动微分模块（torch.autograd）帮我们省去手动求导的麻烦，新手重点掌握以下内容：

4.1 基本张量运算

加减乘除、按元素相乘、矩阵乘法，这3类运算最常用：

data = torch.randint(0,10, [2,3], dtype=torch.float32)

# 1. 基本运算（add/sub/mul/div，带下划线修改原数据）
data_add = data.add(10)  # 不修改原数据
data.add_(10)            # 修改原数据（等价于data += 10）

# 2. 按元素相乘（Hadamard乘积，相同形状对应元素相乘）
data1 = torch.tensor([[1,2],[3,4]])
data2 = torch.tensor([[5,6],[7,8]])
hadamard = data1 * data2  # 等价于torch.mul(data1, data2)

# 3. 矩阵乘法（要求前一个矩阵的列 = 后一个矩阵的行）
matmul = data1 @ data2    # 等价于torch.matmul(data1, data2)

print("按元素相乘:", hadamard)
print("矩阵乘法:", matmul)

4.2 自动微分基础

关键要点：PyTorch只支持「标量对向量/矩阵求导」，所以求导前需将输出转为标量（如用.sum()）：

# 1. 标量对向量求导
x = torch.tensor([10,20], requires_grad=True, dtype=torch.float32)
y = 2 * x ** 2  # 定义函数
y.sum().backward()  # 反向传播求梯度（y需转为标量）
print("x的梯度:", x.grad)  # 输出：tensor([40., 80.])，对应y对x的导数4x

# 2. 梯度清零（重要！梯度会累加，每次反向传播前需清零）
x.grad.zero_()  # 清空梯度

4.3 梯度下降法（实战必备）

梯度下降是模型训练的核心算法，核心公式：w新 = w旧 - 学习率 × 梯度，用一个简单例子理解：

# 求函数 y = x² + 20 的极小值（最小值在x=0处，y=20）
x = torch.tensor(10, requires_grad=True, dtype=torch.float32)
epochs = 1000  # 迭代次数
lr = 0.01      # 学习率

for i in range(epochs):
    y = x ** 2 + 20
    # 梯度清零
    if x.grad is not None:
        x.grad.zero_()
    # 反向传播求梯度
    y.backward()
    # 更新参数
    x.data = x.data - lr * x.grad

print("最终x值（接近0）:", x)
print("最终y值（接近20）:", y)

五、总结与福利

到这里，PyTorch的基础操作就全部讲完了，新手掌握这些内容，就能应对大部分入门级任务（如线性回归、简单分类）。总结一下核心要点：

1. 环境安装：根据CPU/GPU选择对应命令，避免源地址报错。

2. 张量操作：创建、类型转换、形状操作、索引操作是基础，务必多敲代码练习。

3. 自动微分：记住「标量求导」和「梯度清零」，这是模型训练的关键。

4. 实战流程：数据集准备→模型构建→损失函数+优化器→训练→可视化。

福利：本文所有代码已整理成完整文件，关注我，评论区回复「PyTorch入门」，即可获取！后续会更新PyTorch进阶内容（如神经网络、CV/NLP实战），记得关注不迷路～

如果大家在运行代码时遇到问题，欢迎在评论区留言，我会一一回复解答！觉得有用的话，点赞+收藏，支持一下博主哦❤️