第1章：PyTorch基础

1.1 PyTorch安装和环境配置

PyTorch是一个开源的机器学习库，广泛用于计算机视觉和自然语言处理领域。本节将指导你如何安装PyTorch并配置开发环境。

1.1.1 安装PyTorch

你可以通过pip安装PyTorch，具体安装命令如下：

pip install torch torchvision

1.1.2 验证安装

安装完成后，你可以通过以下Python代码验证PyTorch是否安装成功：

import torch

print(torch.__version__)
print(torch.cuda.is_available())  # 检查CUDA是否可用

1.2 张量（Tensor）操作

张量是PyTorch中的基本数据结构，类似于NumPy中的数组。本节将介绍张量的基本操作。

1.2.1 创建张量

创建一个张量非常简单，你可以使用torch.tensor：

import torch

x = torch.tensor([1, 2, 3])
print(x)

1.2.2 张量运算

PyTorch支持丰富的张量运算，例如：

y = torch.tensor([4, 5, 6])
print(x + y)  # 张量加法
print(x * y)  # 张量乘法

1.3 自动求导（Autograd）

PyTorch的自动求导机制是构建深度学习模型的基础。本节将介绍如何使用自动求导进行梯度计算。

1.3.1 梯度计算

在PyTorch中，你可以使用.backward()方法计算梯度：

x = torch.tensor([1.0, 2.0], requires_grad=True)
y = x ** 2
y.sum().backward()
print(x.grad)  # 梯度

1.4 计算图

PyTorch的自动求导机制依赖于计算图，本节将解释计算图的基本概念和工作原理。

1.4.1 计算图构建

每次你执行一个操作时，PyTorch都会构建一个计算图，记录操作的顺序和依赖关系。

1.4.2 动态计算图

PyTorch的计算图是动态的，这意味着图会在每次迭代中重新构建，这为模型的修改和优化提供了灵活性。

1.5 本章小结

本章介绍了PyTorch的基础知识，包括安装、张量操作、自动求导和计算图。这些是使用PyTorch进行深度学习的基础。理解这些概念对于后续的学习至关重要。