简介：面向深度学习初学者设计的PyTorch课堂课件，以演示文稿形式系统梳理了从理论到实战的完整知识路径，既可用于高校课程教学，也适合自学入门或教师备课参考。资源为一份pptx文件，压缩后约1.17MB，便于直接打开、放映或按需修改。课件先从人工智能与神经网络的关系讲起，解释深度学习中大算力、大数据、梯度消失与梯度爆炸等核心概念；随后介绍搭建PyTorch开发环境的完整流程，包括Anaconda安装、PyCharm配置、Torch安装及PyTorch的Hello World示例。基础网络部分覆盖全连接神经网络（FCNN）、卷积神经网络（CNN）、循环神经网络（RNN）和基于注意力机制的Transformer网络，并说明其在图像识别、自然语言处理等场景中的典型应用。框架部分通过定义网络模型类、配置网络层、实现forward()前向传播三个步骤，配合简单卷积网络代码示例，帮助读者快速掌握PyTorch建模思路。课件按章节组织，理论讲解与实践操作穿插，目前已有2991人学习下载，适合希望系统建立PyTorch知识框架的读者与教学人员。
1. PyTorch学习课件：别急着收藏，先把环境跑通再谈理论
拿到一套 PyTorch 学习课件，多数人的第一反应是翻目录、存 PDF、然后让它在网盘里吃灰。这套课件的价值恰恰相反：它把理论刻意压到最少，把环境搭建、框架三大步骤、以及一个能跑的卷积网络模型当作主线。课件里那句“没有数学基础，请看我表演”，其实就是给零基础的人递台阶。你要是只想搞懂深度学习原理，它未必是最系统的教材；你要是想三天内把 PyTorch 从装环境到写出第一个分类网络跑通，它比很多大部头顺手得多。新手能照猫画虎，老手可以把它当一份随时翻出来对参数的模板素材。这篇笔记我会按课件 1.3 到 1.5 的路线，把环境、模型定义、形状传递和常见翻车点一次拆完。
2. 环境搭建三件套：Anaconda、PyCharm 与 Torch 的配置顺序不能乱
2.1 为什么课件把环境搭建放在 1.3 而不是最后一章
深度学习入门最劝退的不是反向传播，而是费了半天劲写出的神经网络根本跑不起来。课件把“建立 PyTorch 的开发环境”放在第 1.3 节，紧跟在人工智能与神经网络概念之后，摆明了是要你先拿到一个能执行的环境，再谈张量、网络和训练。我拆完这份课件后，最大的感受是：这门课默认了大多数人和主讲人一样，编程背景来自 Java、C#或 C/C++，Python 本身不熟，更没经历过 conda 环境的毒打。因此它对操作路径的设计非常保守：用 Anaconda 解决 Python 解释器和常用科学计算包，用 PyCharm 解决写代码和调包的问题，最后再在 PyCharm 的 Project Interpreter 里安装 Torch。
这个顺序不能乱。常见做法是先装 Python 再装 Anaconda，或者直接在 PyCharm 里新建虚拟环境，结果就是解释器路径和包管理乱成一锅粥。课件里反复强调把 Project Interpreter 指向 Anaconda 根目录，本质上是让你整个机器只维护一套 Python 环境，避免多环境互相干扰。后文你会看到，很多 import 失败的异常，八成是解释器指向了 PyCharm 自带的虚拟环境而不是 Anaconda 根目录。
2.2 Anaconda 的定位：不是“装 Python”，而是“装一套科学计算环境”
Anaconda 官网提供安装包，双击安装后会在安装根目录下生成一个 python.exe。课件特意点出这一点，是想消除一个常见误解：你没有单独安装 Python，但 Anaconda 自带了解释器。它同时带上了 numpy、matplotlib 等数据科学常用库，不需要你像以前那样手动 pip 一个个补。
这里我会额外建议一个习惯：不要用 Anaconda 自带的 base 环境直接装 PyTorch。虽然课件没写，但从业者普遍会为每个项目开独立环境，方便日后复现依赖，也避免某个库升级后把别的项目搞崩。下面这段是创建独立环境的常用做法：
conda create -n pytorch-class python=3.10 conda activate pytorch-class逻辑说明：第一条命令创建一个名为 pytorch-class 的独立环境，指定 Python 3.10。第二条命令激活它，后续 pip 或 conda 安装的东西都进这个环境，不会污染 base。参数说明：python 版本建议与课件时代匹配，常见的 PyTorch 2.x 分支在 3.8 到 3.12 之间都能用，但没必要追新；稳定优先选 3.10 或 3.11。名字 pytorch-class 也可以改为项目名，重点是你随时能一手建、一手删，后悔药管够。
环境激活后，在终端里输入 python，看到解释器路径指向 conda 环境，就说明你已经在正确的环境里了。这是后续所有步骤能否成功的前提。
2.3 PyCharm 安装与 Project Interpreter 指向
PyCharm 是 JetBrains 出品的 Python 编辑器，双击安装即可，没什么坑。真正有坑的是第一次打开项目时，右下角或设置里的解释器默认是空白的，很多人直接在终端跑通了 python，跑到 PyCharm 里又报“No module named torch”。原因在于 PyCharm 没使用你刚配好的 conda 环境。
正确的配置路径是：菜单 File | Settings，展开项目名，找到 Project Interpreter，点击齿轮或 Add Interpreter，选择 Conda Environment，Existing environment，把解释器路径指向你 Anaconda 安装目录下的 python.exe 或刚才创建的 pytorch-class 环境里的 python。
conda env list逻辑说明：conda env list 会打印所有环境及对应路径，例如 C:\Users\xxx\anaconda3\envs\pytorch-class\python.exe。把这个路径填进 PyCharm 的解释器设置，两者就绑定了。参数说明：路径里出现 anaconda3 不一定代表 Anaconda 装在你机器上，也可能是 Miniconda，路径结构同理；如果用的是 macOS 或 Linux，路径前缀会是 /opt/anaconda3 或 /home/xxx/anaconda3 一类，不影响配置逻辑。
配好解释器后，PyCharm 的终端、运行按钮和调试器都会使用同一套环境，后续装包、验包、跑模型都在这个环境里闭环。
2.4 安装 Torch：先确认是 CPU 版还是 GPU 版
课件里写“安装 Torch 就是 Project Interpreter 下加一个包”，这句话很口语，但实际执行时要注意版本选择。PyTorch 官方安装命令会因操作系统和 CUDA 版本给出不同内容。初学者最容易犯的错，是看到官方页面一堆参数直接复制粘贴，结果装了 GPU 版却没有显卡驱动，程序跑起来慢得离谱，甚至直接报错。
最常见的做法是先用 CPU 版跑通流程，毕竟课件里的 hello world 和一个演示网络根本不需要显卡。安装命令如下：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu逻辑说明：这条命令从 PyTorch 官方 CPU 索引下载包含基础库、视觉库和音频库的安装包。torchvision 用来加载常见数据集和预训练模型，torchaudio 做音频相关处理，如果你只跟课件走，torch + torchvision 已经够用，torchaudio 可以顺手装上备用。参数说明：--index-url指定下载源，cpu表示非 GPU 版本；如果机器有 NVIDIA 显卡且已装好 CUDA 驱动，则把网址换成对应的 cu121、cu118 等版本号。判断方法是在终端输入 nvidia-smi，能输出显卡信息就说明有 GPU。
装完后运行一句验证：
import torch print(torch.__version__)逻辑说明：这段代码检查当前环境下 torch 的版本号，能打印出版本号则说明安装链路没有问题。如果你看的是 GPU 版，还可以追加一行print(torch.cuda.is_available())，返回 True 才说明 PyTorch 真的用上了显卡。注意，import torch本身相当慢，首次运行会有两三秒延迟，这是正常的，不要误判为卡死。
2.5 Hello World 之外的“探究一下 torch”
课件里在 Hello World 之后写了一句“探究一下 torch”。这个探究动作很多初学者直接跳过了，但它是理解 PyTorch 的钥匙。在交互式 Python 里输入 dir(torch)，你会看到一堆函数和子模块，其中 Tensor、nn、optim 是后续常用的三大件。再试一下 torch.ones、torch.zeros 和 torch.randn，就能直观感受到张量和普通数组的区别。建议把探究代码存成脚本，后面随时改：
import torch x = torch.randn(4, 3, 32, 32) print(x.shape) print(x.device)逻辑说明：torch.randn 生成符合标准正态分布的随机张量，这里生成的是 4 张 3 通道 32x32 的图像数据，shape 为 [4, 3, 32, 32]。x.device 显示张量在 CPU 上，后续如果迁到 GPU，会显示 cuda:0。参数说明：批量大小 4 可以理解为一次喂 4 张图；通道数 3 对应 RGB；高和宽 32x32 是图像尺寸。这个形状在第三章的网络模型里会原样复用。
3. 初识 PyTorch 框架：固定三步，讲透模型定义的本质
3.1 三个固定步骤：继承、定义、连接
课件在 1.5 节给出了 PyTorch 模型定义的通用套路：定义网络模型类并继承 Module 类，在init中定义网络层，在 forward 方法中编写业务逻辑。初次接触的人往往把这三步背下来就完事，却不清楚内部发生了什么。
PyTorch 的 nn.Module 不仅仅是一个类，它内部维护了参数注册表、子模块列表和调用协议。你继承它之后，init里每把一层网络赋给 self.xxx，它都会自动被注册。forward 方法则描述数据怎么从输入层一路走到输出层。最核心的一个机制是：调用 model(x) 时，PyTorch 会执行 model.forward(x)，但在此之前它会做钩子、参数检查等额外动作。所以课件里那句“mymodel(x) 等价于 mymodel.forward(x)”并不完全严格，但作为初学者的心智模型完全够用——你不需要手动调用 forward，直接传输入就好。
3.2 一个最小可跑网络：从卷积到全连接
课件给的演示网络是两层卷积加一个自适应平均池化加一个全连接。我用更直白的方式复刻一份，并且加上打印输出，让你一次性看到每一层的形状变化：
import torch import torch.nn as nn class DemoNet(nn.Module): def __init__(self): super().__init__() self.features = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=12, kernel_size=3, padding=1), nn.ReLU(), nn.Conv2d(in_channels=12, out_channels=24, kernel_size=3, padding=1), nn.ReLU(), ) self.avgpool = nn.AdaptiveAvgPool2d((1, 1)) self.classifier = nn.Linear(in_features=24, out_features=10) def forward(self, x): x = self.features(x) x = self.avgpool(x) x = torch.flatten(x, start_dim=1) x = self.classifier(x) return x net = DemoNet() fake_input = torch.randn(4, 3, 32, 32) output = net(fake_input) print(output.shape)逻辑说明：这段代码完整复刻了课件演示网络的结构。features 是一个 nn.Sequential，内部包含两个卷积层和两个 ReLU 激活；avgpool 是自适应平均池化层，把任意尺寸的特征图压成 1x1；classifier 是全连接层，输出 10 类分数。forward 把以上模块按顺序串起来，最后返回分类结果。输出 shape 中的 10 是类别数，如果做的是猫狗二分类，把它改成 2 即可。参数说明：第一个卷积层的 in_channels=3 对应输入图像的 RGB 三通道，out_channels=12 是第一个卷积核数量；第二个卷积层的 in_channels=12 必须和上一层 out_channels 一致，这在课件里被称作“相邻两层网络中间参数可能有关联”，实际上就是通道维度的衔接。torch.flatten 的 start_dim=1 表示保留 batch 维度，从第 1 维开始拉平，否则会把整张图的所有数拉成一个长条，导致后续全连接层维度对不上。
3.3 形状传递：第一个能让新手卡三天的地方
课件里明确提出 Conv2d 接收 4 个参数，对应的输入形状是 (batch_size, channels, height, width)。这个顺序必须烂熟于心。很多人在 PyTorch 里报错，不是因为网络结构写错，而是把形状顺序记成了 (height, width, channels)，这在某些图像库里是常见排布，但 PyTorch 不是。
当输入是 (4, 3, 32, 32) 时，第一层卷积后输出是 (4, 12, 32, 32)，因为 kernel_size=3 且 padding=1，高宽不变；第二层卷积后是 (4, 24, 32, 32)。如果没有自适应平均池化，你需要手动算卷积和池化对高宽的缩放来推全连接层输入维度，这是入门阶段最容易崩的地方。课件引入 nn.AdaptiveAvgPool2d((1, 1))，就是想把这一步从“手算”变成“自适应”，无论输入特征图是 32x32 还是 128x128，池化后都是 1x1，等于把每个通道聚合成一个值。这样一来，全连接层的输入特征数就固定为输出通道数 24。
torch.flatten之后，张量形状变成 (4, 24)，全连接层 Linear(24, 10) 正好接住。形状传递的核心逻辑是：每一层输出的通道数决定下一层输入的通道数，每层输出的高宽决定后面是否存在需要手算维度的节点。顺序写对了，模型定义这件事就完成了八成。
3.4 nn.Sequential：用容器换可读性，也要注意它的局限
课件把两个卷积层放进 nn.Sequential，说这样能让 forward 里的业务逻辑简单一些。这个说法很实在。如果不放 Sequential，forward 里就要写三行卷积调用加两行激活：
def forward(self, x): x = self.conv1(x) x = torch.relu(x) x = self.conv2(x) x = torch.relu(x)逻辑说明：每次卷积后都要手动激活，代码长且容易漏写。放进 Sequential 后，forward 只要一行 self.features(x)，层与层之间的激活关系由容器统一管理。但 Sequential 有个局限：它的数据流是严格串行的，如果你想让某一层的输出同时送到两个不同分支，Sequential 就表达不了。这时候要把分支逻辑写回 forward。课件教的这个“两个卷积放 Sequential”，是串行结构的标准示范，但它不该被当成万能写法。
我在实际项目里的习惯是：主干串行结构一律用 Sequential，分支结构或者需要跳跃连接的模型，老老实实在 forward 里手写。判断标准很简单，如果 forward 里超过五行业务逻辑，就要考虑是否该拆模块了，否则后人读代码时会一头雾水。
4. 避坑：环境配置与模型定义中的 5 个经典翻车现场
4.1 大坑总览：先看表格，再对号入座
这一章把课件学习中被问得最多的问题按“现象、原因、解决”整理成表，建议先通读一遍，实际遇到时回来查。中间行文里我补充了排查的具体命令，照着顺序做就能定位。
| 现象 | 根本原因 | 解决路径 |
|---|---|---|
| PyCharm 里 import torch 报 No module named torch | PyCharm 解释器指向原生 Python 或其它虚拟环境 | 按 2.3 节把 Project Interpreter 指到 conda 环境 |
| 终端能 import torch，PyCharm 不能 | 终端走 base，PyCharm 走另一套解释器 | 用 conda env list 核对两条路径是否一致 |
| RuntimeError: Expected 4D input | 输入缺少 batch 维度或维度顺序不对 | 用 unsqueeze(0) 加 batch 维或 reshape 成 (batch, C, H, W) |
| mat1 and mat2 shapes cannot be multiplied | 全连接层输入维度与 Linear 参数不匹配 | 在 flatten 后打印 shape，按实际维度改 Linear 的 in_features |
| 训练时 loss 一直是 NaN | 学习率过大、梯度爆炸或数据未归一化 | 调低学习率、加梯度裁剪、检查输入是否有 NaN |
| 模型输出全相同，比如全是 0.1 | 网络训练代码里忘了调用 optimizer.zero_grad() | 每个 batch 开始时清空梯度，再 forward + backward + step |
4.2 环境坑：解释器指向错了，一切白搭
第一个翻车场景极具代表性：终端里运行 Python，import torch 正常；打开 PyCharm，运行同一个脚本，直接报 ModuleNotFoundError。原因是 PyCharm 不会自动继承你在终端里激活的 conda 环境，它只认 Project Interpreter 里配置的解释器路径。新手如果没有在 2.3 节做那一步设置，PyCharm 会默认用系统 Python 或内置虚拟环境，这个环境里根本没装 torch。解决方法是打开 File | Settings | Project: xxx | Python Interpreter，把解释器路径替换为 conda 环境路径。替换后 PyCharm 右下角会显示当前解释器名称，确认显示的是 pytorch-class 而不是 Python 3.x 默认解释器即可。
第二个常见情况是 conda 环境建了但没激活就开装包。比如在 base 环境里执行 pip install torch，结果 torch 装进了 base 而不是你准备给项目的环境。等你在 PyCharm 里切到新环境，依然找不到模块。排查命令是 conda env list 和 pip list，前者看当前激活的是哪个环境，后者看当前环境的包列表。我一般会在终端提示符前手动确认环境名，例如(pytorch-class) C:\Users\xxx>，出现这个前缀再执行安装命令。安装完成后再跑一次python -c "import torch; print(torch.__version__)"，确保版本号打印在当前环境而不是别的环境。
4.3 模型坑：维度不匹配与“怎么改都不对”的玄学时刻
模型相关的报错集中在维度上。最常见的是 RuntimeError: Expected 4D input for conv2d input，意思是 Conv2d 收到的张量不是四维。原因是输入图像是单张时，很多人直接传了 (3, 32, 32)，没有补 batch 维度。PyTorch 把 (3, 32, 32) 解析成三个维度，而 Conv2d 要求四个维度，第一维是 batch。解决方式是x = x.unsqueeze(0)，变成 (1, 3, 32, 32) 再送进卷积层；或者在数据加载阶段统一使用torch.randn(1, 3, 32, 32)这样带 batch 维的输入。还有一种情况是把通道数误放到了最后一位，例如从 OpenCV 读进来的图像默认是 HWC 排列，直接送进网络也会触发类似报错。这时要用x.permute(2, 0, 1)把通道维度挪到第 0 位，再补 batch 维。
另一个高频错误是 mat1 and mat2 shapes cannot be multiplied。全连接层的 Linear(in_features=24, out_features=10) 要求输入最后一维是 24，但实际 flatten 后输入维度变成了 323224。原因在于没有先做全局池化，或者池化输出不是 (1, 1)。课件使用 AdaptiveAvgPool2d 就是专门解决这个问题的。排查方式是写一行 print(x.shape) 放在 flatten 之后，看实际维度，再反推应该把 Linear 的 in_features 改成多少。不推荐手算大尺寸特征图的维度，既容易出错，也浪费时间；全局池化几乎是标准答案。
4.4 训练坑：Loss 变成 NaN，模型输出全是同一个值
当模型从定义进入训练，最常见的“玄学”是 loss 在某个迭代后变成 NaN。这通常不是网络结构问题，而是优化器学习率过高，导致梯度更新跨度过大，参数直接溢出。解决方法是把学习率从 0.01 降到 0.001 或 0.0001，并优先用 Adam 这类自适应算法，它对学习率的敏感度更低。如果降低学习率后依然 NaN，就要检查输入是否包含 NaN 或无穷值，尤其是从文件读入的数据没有做数据清洗，个别异常值会把 loss 推爆。
另一种让新手头痛的现象是模型输出稳定收敛到某个固定值，例如二分类输出永远是 0.5，或十分类输出全是 0.1。多数情况下是梯度更新没有执行，最典型的原因是忘了 optimizer.zero_grad()。PyTorch 会累积梯度，如果不及时清空，梯度会在多个 batch 间叠加，方向混乱，模型参数更新异常，但输出稳定得令人绝望。正确的训练循环顺序是：清梯度、前向、算损失、反向、更新，最后一步才是 step。顺序不能乱，这个习惯建议从一开始就建立，不要依赖“反正能跑”的侥幸心态。
4.5 读课件时的隐藏坑：不要迷信任何一段示例代码
课件里明确写着“不要迷信教材（坑很多）”，这句话不单指教材，也适用于它自己。示例代码为了简洁，省略了数据加载、优化器配置、模型保存等工程细节，直接照抄大概率跑不通完整流程。更可靠的做法是看懂 forward 的结构，然后用 2.2 节的环境和 5.2 节的训练骨架把模型接上。遇到问题先查官方文档对应版本，通常比在问答社区找旧答案准确得多。
5. 把课件改造成自己的训练模板：走向第一个能收敛的模型
课时只够讲模型定义，但真正让模型有价值的，是它能否在数据上训练起来。课件 1.5 节之后没有再展开训练细节，但考核部分要求提交一个解决真实问题的作品。从演示模型到作品，中间差着一个读数据、写循环、看指标的过程。这一节我给出一个可以直接复用的最小训练骨架。
import torch import torch.nn.functional as F def train_one_epoch(model, loader, optimizer, device=torch.device("cpu")): model.train() total_loss = 0 for x, y in loader: x, y = x.to(device), y.to(device) optimizer.zero_grad() out = model(x) loss = F.cross_entropy(out, y) loss.backward() optimizer.step() total_loss += loss.item() return total_loss / len(loader)逻辑说明：train_one_epoch 封装了一次完整迭代。model.train 让模型进入训练模式，影响 Dropout 和 BatchNorm 的行为。每个 batch 清梯度后前向传播，用交叉熵计算损失，反向传播把梯度记录到每层参数，optimizer.step 执行参数更新。返回平均损失用于监控收敛状态，训练多轮后如果 loss 稳定下降，说明模型没有白定义。参数说明：device 参数用于切换 CPU 或 GPU，使用 GPU 时传入 torch.device("cuda:0")；loader 是 DataLoader 对象，它负责把数据集切分为 batch，DataLoader 的 batch_size 设为 4、8、16 均可，越小收敛越震荡，越大越吃显存。
把课件里的 DemoNet 接到 Mnist 模拟项目X 上，就可以验证整条链路。课件强调的“梯度消失和梯度爆炸”会在真实训练里自然出现，尤其是网络加深到 10 层以上时。遇到 loss 不降，不要先怀疑代码，先看学习率曲线；再不确定就打印每一层梯度范数，哪一层趋近于 0，哪一层就是梯度消失的源头。
从那以后，我每次拿到一份新课件或新代码包，都强制自己先把环境脚本跑通、把模型定义脚本跑通、再读理论部分。这套流程看着多，实际执行不超过半小时，却能把“收藏了等于会了”的幻觉彻底打碎。最后补一句：希望这份拆解能让你少走一段弯路，拿到课件后，重点照着模板一步步复现，模型会给你真实反馈。
本文还有配套的精品资源，点击获取
