图片来源：编辑 | Midjourney & Canva
深度学习在人工智能研究的许多领域被广泛使用，并且促进了技术进步。例如，文本生成、面部识别和语音合成应用都基于深度学习研究。
1. 谷歌网络安全证书 - 快速进入网络安全职业道路。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你所在组织的 IT
最常用的深度学习包之一是PyTorch。它是由 Meta AI 于 2016 年创建的开源包，并且被许多人使用。
PyTorch 有很多优点，包括：
-
灵活的模型架构
-
对 CUDA 的原生支持（可以使用 GPU）
-
基于 Python
-
提供低级别的控制，这对于研究和许多用例非常有用
-
开发者和社区的积极开发
让我们通过这篇文章探索 PyTorch，帮助你入门。
你应该访问他们的安装网页，选择适合你环境要求的版本。下面的代码是安装示例。
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpuPyTorch 准备好了，让我们进入核心部分。
张量是 PyTorch 中的基本构件。它类似于 NumPy 数组，但可以使用 GPU。我们可以使用以下代码尝试创建一个 PyTorch 张量：
a = torch.tensor([2, 4, 5])
print(a)Output>>
tensor([2, 4, 5])像 NumPy 数组张量一样，它允许矩阵运算。
e = torch.tensor([[1, 2, 3],
[4, 5, 6]])
f = torch.tensor([7, 8, 9])
print(e * f)Output>>
tensor([[ 7, 16, 27],
[28, 40, 54]])也可以执行矩阵乘法。
g = torch.randn(2, 3)
h = torch.randn(3, 2)
print( g @ h)Output>>
tensor([[-0.8357, 0.0583],
[-2.7121, 2.1980]])我们可以使用下面的代码访问张量信息。
x = torch.rand(3,4)
print("Shape:", x.shape)
print("Data type:", x.dtype)
print("Device:", x.device)Output>>
Shape: torch.Size([3, 4])
Data type: torch.float32
Device: cpu通过使用 nn.Module 类定义神经网络，我们可以开发一个简单的模型。让我们试试下面的代码。
import torch
class SimpleNet(nn.Module):
def __init__(self, input, hidden, output):
super(SimpleNet, self).__init__()
self.fc1 = torch.nn.Linear(input, hidden)
self.fc2 = torch.nn.Linear(hidden, output)
def forward(self, x):
x = torch.nn.functional.relu(self.fc1(x))
x = self.fc2(x)
return x
inp = 10
hid = 10
outp = 2
model = SimpleNet(inp, hid, out)
print(model)Output>>
SimpleNet(
(fc1): Linear(in_features=10, out_features=10, bias=True)
(fc2): Linear(in_features=10, out_features=2, bias=True)
)上面的代码定义了一个SimpleNet类，继承自nn.Module，用于设置层。我们使用nn.Linear作为层，relu作为激活函数。
我们可以添加更多层或使用不同的层，如 Conv2D 或 CNN。但我们不会使用这些。
接下来，我们将用样本张量数据训练我们开发的SimpleNet。
import torch
inp = torch.randn(100, 10)
tar = torch.randint(0, 2, (100,))
criterion = torch.nn.CrossEntropyLoss()
optimizr = torch.optim.SGD(model.parameters(), lr=0.01)
epochs = 100
batchsize = 10
for epoch in range(numepochs):
model.train()
for i in range(0, inp.size(0), batchsize):
batch_inp = inputs[i:i+batch_size]
batch_tar = targets[i:i+batch_size]
out = model(batch_inp)
loss = criterion(out, batch_tar)
optimizer.zero_grad()
loss.backward()
optimizr.step()
if (epoch + 1) % 10 == 0:
print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {round(loss.item(),4})')在上述训练过程中，我们使用随机张量数据，并初始化一个称为CrossEntropyLoss的损失函数。同时，我们初始化 SGD 优化器来管理模型参数以最小化损失。
训练过程根据周期次数多次运行，然后进行优化过程。这是通常的深度学习流程。
我们可以添加几个步骤以提高训练的复杂性，例如早停、学习率和其他技术。
最后，我们可以使用未见过的数据评估我们训练的模型。以下代码允许我们做到这一点。
from sklearn.metrics import classification_report
model.eval()
test_inputs = torch.randn(20, 10)
test_targets = torch.randint(0, 2, (20,))
with torch.no_grad():
test_outputs = model(test_inputs)
_, predicted = torch.max(test_outputs, 1)
print(classification_report(test_targets, predicted))上述情况发生的原因是我们将模型切换到评估模式，这会关闭 dropout 和批量归一化更新。此外，我们还禁用梯度计算过程以加快处理速度。
你可以访问 PyTorch 文档 以进一步了解你可以做什么。
在本文中，我们将深入探讨 PyTorch 的基础知识。从张量创建到张量操作，再到开发一个简单的神经网络模型。本文为初学者级别，所有新手应能迅速跟上。
Cornellius Yudha Wijaya**** 是一位数据科学助理经理和数据撰稿人。在全职工作于 Allianz Indonesia 的同时，他喜欢通过社交媒体和写作媒体分享 Python 和数据技巧。Cornellius 涉及多种 AI 和机器学习主题的写作。