Python PyTorch：机器学习从入门到精通

PyTorch是一个流行的Python深度学习库，它提供了高效的张量操作和神经网络实现。

张量： 张量是PyTorch中用来表示多维数组的结构，它可以存储各种数据类型，如浮点、整数、布尔值等。PyTorch提供了多种创建张量的方法，最常见的方法是使用torch.Tensor()函数。例如：

import torch

#创建张量
x = torch.Tensor([1, 2, 3])
print(x)
#张量的类型
print(x.dtype)
#张量的维度
print(x.ndim)
#张量的形状
print(x.shape)

神经网络： 神经网络是一种机器学习模型，它可以从数据中学习并进行预测。PyTorch提供了多种神经网络层，如线性层、卷积层、池化层等，这些层可以组合起来形成复杂的神经网络模型。

#创建一个简单的神经网络
import torch

#定义网络
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = torch.nn.Linear(2, 2)
        self.fc2 = torch.nn.Linear(2, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = torch.sigmoid(self.fc2(x))
        return x

#实例化网络
net = Net()
print(net)

优化器： 优化器是用来更新神经网络权值的一种算法，它可以使神经网络在训练过程中不断优化，从而提高预测精度。PyTorch提供了多种优化器，如随机梯度下降（SGD）、Adam、RMSProp等。

#创建损失函数和优化器
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)

#训练网络
for epoch in range(1000):
    #前向传播
    outputs = net(x)

    #计算损失
    loss = criterion(outputs, y)

    #反向传播
    loss.backward()

    #更新权值
    optimizer.step()

    #清零梯度
    optimizer.zero_grad()

损失函数： 损失函数是用来评估神经网络预测结果与真实结果之间的差异，它可以指导神经网络在训练过程中不断优化。PyTorch提供了多种损失函数，如均方误差（MSE）、交叉熵（CE）等。

#定义损失函数
criterion = torch.nn.MSELoss()

#计算损失
loss = criterion(outputs, y)

#反向传播
loss.backward()

#更新权值
optimizer.step()