快速入门Pytorch：张量维度变换与常用操作
这篇文章介绍了Pytorch张量的核心知识，包括基础、维度变换、常用操作及练习建议。张量是Pytorch存储数据的基本结构，类似NumPy数组，支持GPU加速和自动求导。创建方式有：从列表/数值用`torch.tensor()`，从NumPy数组用`torch.from_numpy()`，或用内置函数生成全0/1/随机张量。 维度变换是关键操作：`reshape()`灵活调整形状（元素总数不变），`squeeze()`去掉单维度，`unsqueeze()`增加单维度，`transpose()`和`permute()`交换维度。常用操作包括基础算术运算、矩阵乘法`matmul()`、广播机制（自动扩展维度运算）及聚合操作（`sum()`/`mean()`/`max()`等）。 文章建议通过练习巩固张量操作，如维度调整、广播机制和维度交换，以掌握“形状语言”，为后续模型构建奠定基础。
阅读全文Pytorch入门到实践：用简单例子理解模型构建
这篇Pytorch入门教程涵盖核心知识点：Pytorch基于Python，动态计算图优势明显，安装简单（`pip install torch`）。核心数据结构是张量（Tensor），支持GPU加速，可创建、操作（加减乘除、矩阵乘法）及与NumPy互转。自动求导（autograd）通过`requires_grad=True`实现梯度计算，如`y=x²+3x`在x=2时导数为7。线性回归模型继承`nn.Module`定义，前向传播实现`y=wx+b`。数据准备生成模拟数据（`y=2x+3+噪声`），通过`TensorDataset`和`DataLoader`批量加载。训练用MSE损失与SGD优化器，循环中梯度清零、反向传播、参数更新，1000轮后验证并可视化结果，学习到参数接近真实值。核心流程涵盖张量操作、自动求导、模型构建、数据加载及训练优化，可扩展至复杂模型。
阅读全文