代码收藏家 Python PyTorch入门指南（零基础通俗易懂教程）
目录
前言
我后面可能会出一个详解版的，这只是一个浅显版的，旨在广度与理解
为了大家好理解我会加入很多的个人理解，希望读者能理性辨别
因为我采用引导式教学，请大家在有耐心的时候看 (不然看爆炸了别怪我 :d)
核心基础 张量
这是pytorch的核心基础，网上有很多，我在这里就不在赘述了
详细看我这篇文章
前情提要
我个人认为，训练ai遵循着 3 步走：定义模型，训练模型，调用模型，我会按这个步骤教大家
关于语言模型
这个很难，所以我会出文章专门讲这个：
[文章]（先放着）
定义模型
首先看代码（这里看不看都没关系）：
import torch.nn as nn
import torch.nn.functional as F
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.fc1 = nn.Linear(784, 128)
self.fc2 = nn.Linear(128, 10)
def forward(self, x):
x = F.relu(self.fc1(x))
x = self.fc2(x)
return x
这是一个很简单的模型，我们来逐步逐步分析
Linear函数（泛指模型结构函数）
这个就是市面上常看见的神经网络的表现结构
看上面的数字784,128,10感觉很可怕
我再说一个例子：
就比如预测房价：你有3个信息：面积,房龄,位置
实际情况下，即使确实是3个信息，也不仅有3层
那么你输入就是3个东西，现在你只需要1个数字
那么你就可以得到：
nn.Linear(3,1)
ReLU函数（泛指模型连接函数）
这个函数的具体用法我会在下面的forward讲到
这个函数的用处是过滤没用的信息。。。还是得举个例子：
假设你要分类一张图片是否是猫：
输入层：原始像素（比如 [0.2, 0.5, 0.1, …]）。
提取特征（比如是否有胡须、尖耳朵）。
ReLU 会过滤掉不重要的特征，保留重要特征。
最终答案：组合这些特征，判断是否是猫。
forward（这个是自己写的函数）
这里就是把linear连接起来的
记住：层数越多不一定代表越好
一层就用一个relu套一层
就像上面代码那样：
x = F.relu(self.fc1(x))
x = self.fc2(x)
nn.Sequential函数
假如你很懒，不想搞那么多变量、不想一个一个用relu连接起来，你可以使用nn.Sequential，最上面的代码可以改进成：
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
# 用 Sequential 包装层
self.layers = nn.Sequential(
nn.Linear(784, 128), # 第1层：全连接层
nn.ReLU(), # 第2层：激活函数
nn.Linear(128, 10) # 第3层：输出层
)
def forward(self, x):
return self.layers(x)
很显然，他的参数类型是：linear模型、连接方式。。。
更多的模型结构函数
1. 模型定义函数（核心层）
| 模块 | 用途 | 关键参数 | 示例代码 | 适用场景 |
|---|---|---|---|---|
nn.Linear |
全连接层（加权求和） | in_features, out_features |
nn.Linear(10, 5) |
表格数据、分类/回归 |
nn.Conv2d |
图像卷积（提取局部特征） | in_channels, out_channels, kernel_size |
nn.Conv2d(3, 16, 3) |
图像处理（分类、检测） |
nn.LSTM |
处理序列数据（记忆长期依赖） | input_size, hidden_size |
nn.LSTM(100, 128) |
文本、时间序列预测 |
nn.Embedding |
将离散符号映射为稠密向量 | num_embeddings, embedding_dim |
nn.Embedding(1000, 128) |
NLP（词向量表示） |
nn.MaxPool2d |
最大池化（缩小特征图尺寸） | kernel_size |
nn.MaxPool2d(2) |
图像分类（降维） |
2. 连接函数（激活与归一化）
| 模块 | 用途 | 参数 | 示例代码 | 适用场景 |
|---|---|---|---|---|
nn.ReLU |
激活函数（过滤负值，保留正值） | 无 | nn.Sequential(nn.Linear(10,5), nn.ReLU()) |
隐藏层默认激活 |
nn.Sigmoid |
压缩输出到 [0,1]（概率） |
无 | 输出层（二分类） | 二分类任务 |
nn.Softmax |
输出概率分布（和为1） | dim（指定维度） |
nn.Softmax(dim=1) |
多分类任务（需指定维度） |
nn.Tanh |
压缩输出到 [-1,1] |
无 | 生成任务（如图像像素归一化） | GAN生成器输出层 |
nn.Dropout |
随机丢弃神经元（防过拟合） | p（丢弃概率） |
nn.Dropout(0.5) |
隐藏层（正则化） |
到后面，我会再出一期，专门谈谈这个
连接：python pytorch 模型构造函数、连接函数 通俗版
因为最近压力大，所以这些都不会写很细
训练模型
还是先上代码（这里只写了最重点的模型循环训练）仅模版：
train_data = ... # 你的训练数据
dataset = Dataset(train_data) # 转换（这个需手写）
train_loader = DataLoader(dataset, batch_size=2, shuffle=True)
model = SomeModel() # SomeModel => 替换成你写的模型
criterion = torch.nn.MSELoss() # 回归任务用均方误差
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
# 核心：循环训练
num_epochs = 100
for epoch in range(num_epochs):
total_loss = 0
for inputs, labels in train_loader:
# 前向传播：模型尝试计算和
preds = model(inputs)
# 计算误差
loss = criterion(preds, labels)
# 反向传播与优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
# 打印平均损失
avg_loss = total_loss / len(train_loader)
print(f"Epoch {epoch+1}, Loss: {avg_loss:.4f}")
训练循环
训练循环分为 3 大步与 1 小步
下面以“学生做题并订正”为例
学前测
先让你看看，你对这一部分了解得怎么样，后续再为你的错误，进行改进
代码:
preds = model(inputs)
老师批改
接下来，老师就要批改卷子，看看那里没有掌握
这里主要的工作是：检查那里没有掌握，为后面制定个性化培优
这里的 检查函数 用的是 损失函数，后面会讲
代码：
loss = criterion(preds, labels)
# 这里 criterion 的定义在这里
# criterion = torch.nn.MSELoss() # 没错！MSELoss就是损失函数
分析、学习
这部分先给代码，我们一步一步讲：
# 定义: optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
# 他就是 优化器
optimizer.zero_grad()
loss.backward()
optimizer.step()
optimizer.zero_grad()
老师批改好试卷后，你得要在错的基础上优化从而得到正确答案
loss.backward()
学完以后，分析错在哪里，重新整理思路
optimizer.step()
运用在现实中（吸收正确答案），做出行动
记录成绩、查看进步空间
你得要给我看出你的进步，所以记录下来，并输出
太简单，就不必说了
收集数据
我们从头开始讲起
例如：我们要做一个模型，功能是：输入两个数输出一个数，表示它们的和
我们的训练列表是这样的：
train_data = [((a,b),它们的和),...]
我们的Dataset就可以这么写：
class Dataset(Dataset):
def __init__(self, data):
# 提取输入部分：将 (in1, in2) 转为张量
self.inputs = torch.tensor(
[[in1, in2] for ((in1, in2), _) in data],
dtype=torch.float32
)
# 提取输出部分：将 (out,) 转为张量（支持多输出）
self.outputs = torch.tensor(
[out_tuple for (_, out_tuple) in data],
dtype=torch.float32
)
def __len__(self):
return len(self.inputs)
def __getitem__(self, idx):
# 返回格式：(输入张量, 输出张量)
return self.inputs[idx], self.outputs[idx]
__init__函数
torch.tensor类型的data提取出输入信息data里的输出结果提取出来剩下两个函数
这些就是这样的了，一个是调用len()一个是调用[](取搜引)，基本不用动
损失器与优化器
先给一个表，后面我会出文章，专门讲这个
| 优化器 | 关键参数 | 调整建议 | 适用场景 | 注意事项 |
|---|---|---|---|---|
| SGD | lr (学习率) |
从 0.1 开始尝试，逐步缩小（如0.01→0.001） |
简单任务、精细调参 | 太大→震荡；太小→收敛慢 |
momentum (动量) |
通常设为 0.9，模拟物理惯性 |
配合大学习率使用 | 避免与Adam同时用 | |
| Adam | lr |
默认 0.001 通常有效，复杂任务可尝试 0.0001 |
绝大多数任务默认选择 | 资源消耗略高 |
weight_decay |
正则化强度，常用 1e-4 |
防止过拟合 | 太大导致欠拟合 | |
| RMSprop | lr |
类似Adam，从 0.001 开始 |
RNN/LSTM等循环网络 | 对学习率敏感 |
alpha |
衰减率，默认 0.99，调整范围 0.9~0.999 |
处理非平稳目标 | 值越大历史影响越久 | |
| Adagrad | lr |
初始值需较大（如 0.1），因会自动衰减 |
稀疏数据（如推荐系统） | 后期学习率趋近于0 |
| AdamW | lr |
类似Adam，但更稳定（推荐 0.001） |
搭配权重衰减正则化 | 比Adam更现代 |
betas |
动量参数，默认 (0.9, 0.999) 通常不需改 |
需要稳定训练时 | 调整需谨慎 |
文章: python pytorch 损失器与优化器
使用模型
保存&加载
终于做好了，我想要直接保存这个模型怎么办呢？
可以直接用torch.save(model, [保存目录])
要用的时候就可以直接使用loaded_model = torch.load([保存目录])来加载模型了
调用（推理模型）
我们可以先加载模型model
就可以这样：
with torch.no_grad(): # 关闭梯度计算加速推理
input_tensor = torch.tensor([[5.0, 3.0]]) # 输入必须是张量
prediction = model(input_tensor) # 输出也是张量
print(f"5+3预测值：{prediction.tolist()}") # 输出
这里的输出prediction也是一个张量
后语
这篇文章看下来你已经完全入门 pytorch 了
这篇文章写了差不多有 3 个月，坚持做免费栏目很难，希望大家可以多多支持
接下来我会出两篇文章，都是实战篇：
- a+b模型：[暂时没做]（）
- 图片识别模型（这个工程量很大，所以我会考虑付费）：[暂时没做]（）
作者：Python虫
