PyTorch上手关键在于掌握张量和自动微分：张量是数据基石，支持GPU加速与梯度追踪；用nn.Module搭建模型需定义层与forward逻辑；训练循环含数据加载、前向计算、损失计算、反向传播、参数更新五步。
PyTorch 上手不难，关键在理解张量（Tensor）和自动微分（Autograd）这两个核心机制。只要掌握数据定义、模型搭建、训练循环三步，就能跑通一个完整流程。
张量：PyTorch 的数据基石
所有数据都以 torch.Tensor 形式存在，类似 NumPy 数组，但支持 GPU 加速和梯度追踪。
- 创建张量：用
torch.tensor([1, 2, 3])或torch.randn(2, 3)（随机初始化） - 启用梯度：加
requires_grad=True，例如x = torch.tensor(2.0, requires_grad=True) - 运算即构建计算图：执行
y = x ** 2 + 3 * x后，y会记录依赖关系，为反向传播做准备
用 nn.Module 搭建模型
自定义模型需继承 torch.nn.Module，并在 __init__ 中定义层，在 forward 中写前向逻辑。
- 常见层：线性层
nn.Linear(784, 128)、激活函数nn.ReLU()、Dropoutnn.Dropout(0.5) -
forward方法里不要调用.backward()或.zero_grad()，那是训练循环的事 - 小技巧：用
model.train()和model.eval()控制 Dropout/BatchNorm 行为
训练循环：五步走清清楚楚
一个标准训练步骤包含数据加载、前向计算、损失计算、反向传播、参数更新。
立即学习“Python免费学习笔记（深入）”；
- 用
torch.utils.data.DataLoader加载批量数据，支持 shuffle 和多进程 - 损失用内置函数，如
criterion = nn.CrossEntropyLoss()，输入 logits 和真实标签即可 - 反向传播：先
loss.backward()，再用优化器（如torch.optim.SGD(model.parameters(), lr=0.01)）调用step() - 别忘了每轮开始前清空梯度：
optimizer.zero_grad()
保存与加载模型
推荐保存模型参数（state_dict），而不是整个模型对象，更轻量、更灵活。
- 保存：
torch.save(model.state_dict(), "model.pth") - 加载：先实例化模型，再
model.load_state_dict(torch.load("model.pth")) - 若要连优化器状态一起保存（比如继续训练），可打包成字典：
torch.save({"model": model.state_dict(), "optimizer": opt.state_dict()}, ...)
不复杂但容易忽略：确保训练时模型在训练模式、验证时切换到评估模式；GPU 上运行记得把数据和模型都调用 .to(device)；调试初期可先用小数据集和单步训练验证流程是否通顺。
