快速入门（Quickstart）
本节将介绍机器学习中常见任务的 API。
处理数据（Working with Data）
PyTorch 提供了两个处理数据的原语：torch.utils.data.DataLoader和torch.utils.data.Dataset。Dataset存储样本及其对应的标签，DataLoader在Dataset外包装了一个可迭代对象。
importtorch# 导入 PyTorch 核心库fromtorchimportnn# 导入神经网络模块fromtorch.utils.dataimportDataLoader# 导入数据加载器fromtorchvisionimportdatasets# 导入视觉数据集模块fromtorchvision.transformsimportv2# 导入数据变换模块 v2 版本PyTorch 提供了领域特定的库，如 TorchText、TorchVision 和 TorchAudio，这些库都包含数据集。在本教程中，我们将使用 TorchVision 数据集。
torchvision.datasets模块包含了许多真实世界视觉数据的Dataset对象，如 CIFAR、COCO。在本教程中，我们使用 FashionMNIST 数据集。每个 TorchVisionDataset都包含两个参数：transform和target_transform，分别用于修改样本和标签。
# 从开放数据集下载训练数据training_data=datasets.FashionMNIST(# 创建 FashionMNIST 训练数据集对象root="data",# 数据存储路径train=True,# 指定为训练集download=True,# 如果数据不存在则从网络下载transform=v2.Compose([# 对图像进行变换组合v2.ToImage(),# 将数据转为 torchvision 的 Image 张量格式v2.ToDtype(torch.float32,scale=True)# 转为 float32 类型，并将像素值缩放到 [0,1]]),)# 从开放数据集下载测试数据test_data=datasets.FashionMNIST(# 创建 FashionMNIST 测试数据集对象root="data",# 数据存储路径train=False,# 指定为测试集download=True,# 如果数据不存在则从网络下载transform=v2.Compose([# 对图像进行变换组合（与训练集相同）v2.ToImage(),# 将数据转为 torchvision 的 Image 张量格式v2.ToDtype(torch.float32,scale=True)# 转为 float32 类型，并将像素值缩放到 [0,1]]),)我们将Dataset作为参数传递给DataLoader。这将在数据集外包装一个可迭代对象，并支持自动批处理、采样、打乱和多进程数据加载。这里我们定义批大小为 64，即 dataloader 可迭代对象中的每个元素将返回一个包含 64 个特征和标签的批次。
batch_size=64# 定义批大小为 64# 创建数据加载器train_dataloader=DataLoader(training_data,batch_size=batch_size)# 用训练数据集创建数据加载器test_dataloader=DataLoader(test_data,batch_size=batch_size)# 用测试数据集创建数据加载器forX,yintest_dataloader:# 遍历测试数据加载器print(f"Shape of X [N, C, H, W]:{X.shape}")# 打印输入特征的形状：批次大小、通道数、高度、宽度print(f"Shape of y:{y.shape}{y.dtype}")# 打印标签的形状和数据类型break# 只查看第一个批次后跳出循环输出：
Shape of X [N, C, H, W]: torch.Size([64, 1, 28, 28]) Shape of y: torch.Size([64]) torch.int64创建模型（Creating Models）
要在 PyTorch 中定义神经网络，我们创建一个继承自nn.Module的类。我们在__init__函数中定义网络的层，并在forward函数中指定数据如何通过网络。为了加速神经网络中的运算，我们将其移动到加速器上，如 CUDA、MPS、MTIA 或 XPU。如果当前加速器可用，我们将使用它；否则，使用 CPU。
# 检查加速器是否可用，如果可用则使用加速器，否则使用 CPUdevice=torch.accelerator.current_accelerator().typeiftorch.accelerator.is_available()else"cpu"print(f"Using{device}device")# 打印当前使用的设备类型# 定义模型classNeuralNetwork(nn.Module):# 定义神经网络类，继承自 nn.Moduledef__init__(self):# 初始化方法super().__init__()# 调用父类的初始化方法self.flatten=nn.Flatten()# 创建展平层，将 2D 图像展平为 1D 向量self.linear_relu_stack=nn.Sequential(# 创建顺序容器，按顺序包含各层nn.Linear(28*28,512),# 第一个全连接层：输入 784 维，输出 512 维nn.ReLU(),# ReLU 激活函数，引入非线性nn.Linear(512,512),# 第二个全连接层：输入 512 维，输出 512 维nn.ReLU(),# ReLU 激活函数nn.Linear(512,10)# 第三个全连接层：输入 512 维，输出 10 维（对应 10 个类别）)defforward(self,x):# 前向传播方法，定义数据如何通过网络x=self.flatten(x)# 将输入图像展平logits=self.linear_relu_stack(x)# 通过全连接层序列得到原始预测值（logits）returnlogits# 返回预测值model=NeuralNetwork().to(device)# 创建模型实例并移动到指定设备print(model)# 打印模型结构输出：
Using cuda device NeuralNetwork( (flatten): Flatten(start_dim=1, end_dim=-1) (linear_relu_stack): Sequential( (0): Linear(in_features=784, out_features=512, bias=True) (1): ReLU() (2): Linear(in_features=512, out_features=512, bias=True) (3): ReLU() (4): Linear(in_features=512, out_features=10, bias=True) ) )优化模型参数（Optimizing the Model Parameters）
要训练模型，我们需要一个损失函数和一个优化器。
loss_fn=nn.CrossEntropyLoss()# 定义交叉熵损失函数，适用于多分类任务optimizer=torch.optim.SGD(model.parameters(),lr=1e-3)# 定义 SGD 随机梯度下降优化器，学习率为 0.001在单个训练循环中，模型对训练数据集进行预测（以批次形式输入），并通过反向传播预测误差来调整模型的参数。
deftrain(dataloader,model,loss_fn,optimizer):# 定义训练函数size=len(dataloader.dataset)# 获取数据集的样本总数model.train()# 将模型设置为训练模式forbatch,(X,y)inenumerate(dataloader):# 遍历数据加载器中的每个批次X,y=X.to(device),y.to(device)# 将数据和标签移动到指定设备# 计算预测误差pred=model(X)# 前向传播，得到模型预测loss=loss_fn(pred,y)# 计算预测值与真实标签之间的损失# 反向传播loss.backward()# 反向传播，计算梯度optimizer.step()# 根据梯度更新模型参数optimizer.zero_grad()# 清零梯度，防止梯度累积ifbatch%100==0:# 每 100 个批次打印一次loss,current=loss.item(),(batch+1)*len(X)# 获取当前损失值和已处理的样本数print(f"loss:{loss:>7f}[{current:>5d}/{size:>5d}]")# 打印损失和进度我们还在测试数据集上检查模型的性能，以确保它正在学习。
deftest(dataloader,model,loss_fn):# 定义测试函数size=len(dataloader.dataset)# 获取数据集的样本总数num_batches=len(dataloader)# 获取批次总数model.eval()# 将模型设置为评估模式test_loss,correct=0,0# 初始化测试损失和正确预测计数withtorch.no_grad():# 禁用梯度计算，节省内存和计算forX,yindataloader:# 遍历测试数据加载器X,y=X.to(device),y.to(device)# 将数据和标签移动到指定设备pred=model(X)# 前向传播，得到模型预测test_loss+=loss_fn(pred,y).item()# 累加批次损失correct+=(pred.argmax(1)==y).type(torch.float).sum().item()# 统计正确预测数test_loss/=num_batches# 计算平均测试损失correct/=size# 计算准确率print(f"Test Error: \n Accuracy:{(100*correct):>0.1f}%, Avg loss:{test_loss:>8f}\n")# 打印测试结果训练过程在若干次迭代（epoch）中进行。在每个 epoch 中，模型学习参数以做出更好的预测。我们在每个 epoch 打印模型的准确率和损失；我们希望看到准确率随着每个 epoch 增加而损失减少。
epochs=5# 训练 5 个 epochfortinrange(epochs):# 遍历每个 epochprint(f"Epoch{t+1}\n-------------------------------")# 打印当前 epoch 编号train(train_dataloader,model,loss_fn,optimizer)# 执行训练循环test(test_dataloader,model,loss_fn)# 执行测试循环print("Done!")# 训练完成输出：
Epoch 1 ------------------------------- loss: 2.302590 [ 64/60000] loss: 2.291843 [ 6464/60000] loss: 2.274084 [12864/60000] loss: 2.267996 [19264/60000] loss: 2.248032 [25664/60000] loss: 2.235034 [32064/60000] loss: 2.235448 [38464/60000] loss: 2.206563 [44864/60000] loss: 2.203167 [51264/60000] loss: 2.173855 [57664/60000] Test Error: Accuracy: 48.5%, Avg loss: 2.165248 Epoch 2 ------------------------------- loss: 2.171659 [ 64/60000] loss: 2.168588 [ 6464/60000] loss: 2.110749 [12864/60000] loss: 2.124941 [19264/60000] loss: 2.070731 [25664/60000] loss: 2.026289 [32064/60000] loss: 2.046067 [38464/60000] loss: 1.972416 [44864/60000] loss: 1.973158 [51264/60000] loss: 1.901610 [57664/60000] Test Error: Accuracy: 59.3%, Avg loss: 1.900692 Epoch 3 ------------------------------- loss: 1.927220 [ 64/60000] loss: 1.909643 [ 6464/60000] loss: 1.786996 [12864/60000] loss: 1.823585 [19264/60000] loss: 1.710886 [25664/60000] loss: 1.668456 [32064/60000] loss: 1.684839 [38464/60000] loss: 1.584657 [44864/60000] loss: 1.603412 [51264/60000] loss: 1.505005 [57664/60000] Test Error: Accuracy: 60.7%, Avg loss: 1.522182 Epoch 4 ------------------------------- loss: 1.580342 [ 64/60000] loss: 1.556963 [ 6464/60000] loss: 1.401661 [12864/60000] loss: 1.472037 [19264/60000] loss: 1.356207 [25664/60000] loss: 1.352045 [32064/60000] loss: 1.366575 [38464/60000] loss: 1.284744 [44864/60000] loss: 1.322070 [51264/60000] loss: 1.234389 [57664/60000] Test Error: Accuracy: 62.9%, Avg loss: 1.253126 Epoch 5 ------------------------------- loss: 1.323655 [ 64/60000] loss: 1.310964 [ 6464/60000] loss: 1.143728 [12864/60000] loss: 1.248905 [19264/60000] loss: 1.131093 [25664/60000] loss: 1.151796 [32064/60000] loss: 1.175902 [38464/60000] loss: 1.103851 [44864/60000] loss: 1.148382 [51264/60000] loss: 1.078236 [57664/60000] Test Error: Accuracy: 64.5%, Avg loss: 1.088746 Done!保存模型（Saving Models）
保存模型的常用方法是序列化内部状态字典（包含模型参数）。
torch.save(model.state_dict(),"model.pth")# 将模型参数（状态字典）保存到文件 model.pthprint("Saved PyTorch Model State to model.pth")# 打印保存成功提示输出：
Saved PyTorch Model State to model.pth加载模型（Loading Models）
加载模型的过程包括重新创建模型结构并将状态字典加载到其中。
model=NeuralNetwork().to(device)# 重新创建模型实例并移动到设备model.load_state_dict(torch.load("model.pth",weights_only=True))# 从文件加载模型参数，weights_only=True 是安全最佳实践输出：
<All keys matched successfully>此模型现在可用于进行预测。
classes=[# 定义类别名称列表"T-shirt/top",# 0: T恤"Trouser",# 1: 裤子"Pullover",# 2: 套衫"Dress",# 3: 连衣裙"Coat",# 4: 外套"Sandal",# 5: 凉鞋"Shirt",# 6: 衬衫"Sneaker",# 7: 运动鞋"Bag",# 8: 包"Ankle boot",# 9: 踝靴]model.eval()# 将模型设置为评估模式x,y=test_data[0][0],test_data[0][1]# 获取测试数据集的第一张图像和标签withtorch.no_grad():# 禁用梯度计算x=x.to(device)# 将图像移动到设备pred=model(x)# 模型预测predicted,actual=classes[pred[0].argmax(0)],classes[y]# 获取预测类别和真实类别print(f'Predicted: "{predicted}", Actual: "{actual}"')# 打印预测结果和真实标签输出：
Predicted: "Ankle boot", Actual: "Ankle boot"
