这篇笔记是 PyTorch 基础点，还有自己写代码时容易卡壳的地方整理了一下。主要包含 Tensor 操作、自动求导逻辑、线性回归模型构建、以及 GPU 环境切换。
1. Tensor（张量）基础操作
Tensor 是 PyTorch 最核心的数据格式。咱们平时处理图像或者文本，最后全都要转成这玩意。
维度代表的意思：
0 维 (Scalar)：就是一个数（比如 Loss 值）。
1 维 (Vector)：一维数组。代表一个样本的特征（比如一个词向量）。
2 维 (Matrix)：二维数组。代表多个样本的特征集合（行是样本，列是特征）。
3 维/4 维 (High-dim)：图像里最常用，格式通常是 [Batch大小, 通道数, 高, 宽]。
跟 NumPy 互转（实战高频）：
import torch import numpy as np # 1. Numpy 转 Tensor np_data = np.array([1.0, 2.0, 3.0]) tensor_data = torch.from_numpy(np_data) # 2. Tensor 转 Numpy np_data_back = tensor_data.numpy() # 3. 改变形状：PyTorch 中用 view x = torch.zeros(4, 4) y = x.view(-1, 8) # -1 代表自动计算维度，这里会自动转成 2x8 print(y.size()) # 查看维度信息2. 自动求导机制 (Autograd)
PyTorch 强在能自动算反向传播的梯度。
标记求导：在创建 Tensor 时指定 requires_grad=True，系统就会追踪这个变量。
链式法则：调用 .backward() 时，它会顺着计算图瞬间算出所有权重参数的梯度。
避坑指南（梯度累加）：PyTorch 的梯度默认是累加的。所以每次训练前必须清零梯度（optimizer.zero_grad()），不然跑出来的梯度全是错的。
3. 模型构建与训练（线性回归代码示例）
这是一个完整的线性回归构建逻辑。
第一步：定义模型类
import torch.nn as nn class LinearRegressionModel(nn.Module): def __init__(self): super(LinearRegressionModel, self).__init__() # 定义一个全连接层，输入1维，输出1维 self.linear = nn.Linear(1, 1) def forward(self, x): # 规定数据的前向传播逻辑 out = self.linear(x) return out model = LinearRegressionModel()第二步：配置训练参数
# 定义损失函数 (回归任务常用 MSE) criterion = nn.MSELoss() # 定义优化器 (SGD 随机梯度下降) optimizer = torch.optim.SGD(model.parameters(), lr=0.01)第三步：核心训练循环（通用模板）
epochs = 1000 for epoch in range(epochs): # 将输入数据转为 Tensor inputs = torch.from_numpy(x_train_numpy) labels = torch.from_numpy(y_train_numpy) # 1. 梯度清零 (必须放在最前面) optimizer.zero_grad() # 2. 前向传播 (拿到模型预测结果) outputs = model(inputs) # 3. 计算损失 (对比预测值与真实标签) loss = criterion(outputs, labels) # 4. 反向传播 (自动求导算出梯度) loss.backward() # 5. 更新参数 (优化器执行一步更新) optimizer.step() if (epoch+1) % 50 == 0: # 用 loss.item() 把 Tensor 转回普通数值打印 print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')4. GPU 加速与模型保存
切换 GPU 训练：
# 判断是否有可用 CUDA 环境 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 1. 把模型搬到显卡上 model.to(device) # 2. 训练循环里把数据搬到显卡上 inputs = inputs.to(device) labels = labels.to(device)模型保存与读取：
# 推荐保存权重参数字典 (state_dict) torch.save(model.state_dict(), 'my_model.pkl') # 读取模型 (要先实例化上面的类) model.load_state_dict(torch.load('my_model.pkl'))5. 关于 torch.hub 的说明
torch.hub 是官方的模型库（Model Zoo），里面有很多预训练好的模型（如 ResNet、Transformer）。
加载方法：
# 一行代码加载预训练模型 model = torch.hub.load('pytorch/vision', 'resnet18', pretrained=True)碎碎念：虽然调包很省事，但咱们在打基础阶段还是得少用。大作业或者平时练手，先把最基础的层（Linear、Conv2d 等）练熟，以后再用这些预训练模型会更有底。
