torch的历史由来利用pytorch搭建一层神经网络import torch import torch.nn as nn net nn.Linear(2,1) x torch.tensor([[1.0,3.0]]) out net(x) print(out)输出结果每次会给不同的w,b所以每次运行输出的结果都会改变自动求导反向传播更新参数import torch import torch.nn as nn #1.数据 x torch.tensor([[1.0],[2.0],[3.0]]) y_true torch.tensor([[2.0],[4.0],[6.0]]) print(y_true.shape) #2.模型 损失 优化器 model nn.Linear(1,1,biasFalse) loss_fn nn.MSELoss() optimizer torch.optim.SGD(model.parameters(),lr0.1) #一轮训练(前向传播 - 求损失 - 反向传播 - 更新参数) #前向传播 y_pred model(x) loss loss_fn(y_pred,y_true) #反向传播求梯度 loss.backward() #更新权重 optimizer.step() #清空梯度防止累加 optimizer.zero_grad() print(权重w:,model.weight.item()) print(loss值:,loss.item())输出每次执行时输出的结果都会改变反向传播w新 w旧 - 学习率 * 梯度import torch # 参数1.初始值 2.是否自动微分 3.数据类型 w torch.tensor(10, requires_gradTrue, dtypetorch.float) print(fw:{w}) # 定义loss变量表示损失函数 loss 2 * w ** 2 # loss求导loss 2w² --- 求导: 4w # 打印梯度函数类型 print(f梯度函数类型:{type(loss.grad_fn)}) print(loss.sum()) # 计算梯度梯度 损失函数的导数,计算完毕后会记录到w.grad属性中 loss.sum().backward() # 保证loss是1个标量 # loss.backward() w.data w.data - 0.01 * w.grad # (学习率是0.01,梯度是w.grad) # 打印最终结果 print(f更新后的权重:{w})自动微分让损失越来越小就是深度学习中最重要的让损失越来越小预测值无限接近于真实值。import torch # 参数1.初始值 2.是否自动微分 3.数据类型 w torch.tensor(10, requires_gradTrue, dtypetorch.float) print(fw:{w}) # 定义loss变量表示损失函数 loss w ** 2 # loss求导loss w² --- 求导: 2w # 打印梯度函数类型 print(f开始权重初始值:{w},(0.01 * w.grad):无, loss:{loss}) #迭代100次,求最优解 for i in range(1,101): #3.1正向计算(前向传播) loss w**2 #3.2 梯度清零w.grad.zero_() 默认梯度会累加 # 至此(第一次的时候),还没有计算梯度, 所以w.grad None,要做非空判断 if w.grad is not None: w.grad.zero_() #3.3反向传播 损失函数的导数,计算完毕后会记录到w.grad属性中 loss.sum().backward() #3.4 梯度更新 w.data w.data - 0.01 * w.grad w.data w.data - 0.01 * w.grad # 3.5打印本次梯度更新后权重参数结果 print(f第{i}次,权重初始值:{w},(0.01 * w.grad):{0.01 * w.grad}, loss:{loss}) #打印最终结果 print(f最终结果权重:{w},梯度:{w.grad},loss:{loss})输出的结果detach()一个张量一旦设置了 自动微分这个张量就不能直接转成 numpy的 ndarray对象了需要通过 detach()函数解决.#一个张量一旦设置了 自动微分这个张量就不能直接转成 numpy的 ndarray对象了需要通过 detach()函数解决. import torch t1 torch.tensor([10, 20], requires_gradTrue, dtypetorch.float) print(ft1:{t1},type:{type(t1)}) #尝试把上述张量 --- numpy对象 n1 t1.numpy() print(fn1:{n1},type:{type(n1)})报错优化后输出#一个张量一旦设置了 自动微分这个张量就不能直接转成 numpy的 ndarray对象了需要通过 detach()函数解决. import torch t1 torch.tensor([10, 20], requires_gradTrue, dtypetorch.float) print(ft1:{t1},type:{type(t1)}) #尝试把上述张量 --- numpy对象 # n1 t1.numpy() # print(fn1:{n1},type:{type(n1)}) #解决办法通过detach()函数拷贝一份张量然后转换 n1 t1.detach().numpy() print(fn1:{n1},type:{type(n1)})
torch= PyTorch 的 Python API 入口
发布时间：2026/6/27 20:34:48
torch的历史由来利用pytorch搭建一层神经网络import torch import torch.nn as nn net nn.Linear(2,1) x torch.tensor([[1.0,3.0]]) out net(x) print(out)输出结果每次会给不同的w,b所以每次运行输出的结果都会改变自动求导反向传播更新参数import torch import torch.nn as nn #1.数据 x torch.tensor([[1.0],[2.0],[3.0]]) y_true torch.tensor([[2.0],[4.0],[6.0]]) print(y_true.shape) #2.模型 损失 优化器 model nn.Linear(1,1,biasFalse) loss_fn nn.MSELoss() optimizer torch.optim.SGD(model.parameters(),lr0.1) #一轮训练(前向传播 - 求损失 - 反向传播 - 更新参数) #前向传播 y_pred model(x) loss loss_fn(y_pred,y_true) #反向传播求梯度 loss.backward() #更新权重 optimizer.step() #清空梯度防止累加 optimizer.zero_grad() print(权重w:,model.weight.item()) print(loss值:,loss.item())输出每次执行时输出的结果都会改变反向传播w新 w旧 - 学习率 * 梯度import torch # 参数1.初始值 2.是否自动微分 3.数据类型 w torch.tensor(10, requires_gradTrue, dtypetorch.float) print(fw:{w}) # 定义loss变量表示损失函数 loss 2 * w ** 2 # loss求导loss 2w² --- 求导: 4w # 打印梯度函数类型 print(f梯度函数类型:{type(loss.grad_fn)}) print(loss.sum()) # 计算梯度梯度 损失函数的导数,计算完毕后会记录到w.grad属性中 loss.sum().backward() # 保证loss是1个标量 # loss.backward() w.data w.data - 0.01 * w.grad # (学习率是0.01,梯度是w.grad) # 打印最终结果 print(f更新后的权重:{w})自动微分让损失越来越小就是深度学习中最重要的让损失越来越小预测值无限接近于真实值。import torch # 参数1.初始值 2.是否自动微分 3.数据类型 w torch.tensor(10, requires_gradTrue, dtypetorch.float) print(fw:{w}) # 定义loss变量表示损失函数 loss w ** 2 # loss求导loss w² --- 求导: 2w # 打印梯度函数类型 print(f开始权重初始值:{w},(0.01 * w.grad):无, loss:{loss}) #迭代100次,求最优解 for i in range(1,101): #3.1正向计算(前向传播) loss w**2 #3.2 梯度清零w.grad.zero_() 默认梯度会累加 # 至此(第一次的时候),还没有计算梯度, 所以w.grad None,要做非空判断 if w.grad is not None: w.grad.zero_() #3.3反向传播 损失函数的导数,计算完毕后会记录到w.grad属性中 loss.sum().backward() #3.4 梯度更新 w.data w.data - 0.01 * w.grad w.data w.data - 0.01 * w.grad # 3.5打印本次梯度更新后权重参数结果 print(f第{i}次,权重初始值:{w},(0.01 * w.grad):{0.01 * w.grad}, loss:{loss}) #打印最终结果 print(f最终结果权重:{w},梯度:{w.grad},loss:{loss})输出的结果detach()一个张量一旦设置了 自动微分这个张量就不能直接转成 numpy的 ndarray对象了需要通过 detach()函数解决.#一个张量一旦设置了 自动微分这个张量就不能直接转成 numpy的 ndarray对象了需要通过 detach()函数解决. import torch t1 torch.tensor([10, 20], requires_gradTrue, dtypetorch.float) print(ft1:{t1},type:{type(t1)}) #尝试把上述张量 --- numpy对象 n1 t1.numpy() print(fn1:{n1},type:{type(n1)})报错优化后输出#一个张量一旦设置了 自动微分这个张量就不能直接转成 numpy的 ndarray对象了需要通过 detach()函数解决. import torch t1 torch.tensor([10, 20], requires_gradTrue, dtypetorch.float) print(ft1:{t1},type:{type(t1)}) #尝试把上述张量 --- numpy对象 # n1 t1.numpy() # print(fn1:{n1},type:{type(n1)}) #解决办法通过detach()函数拷贝一份张量然后转换 n1 t1.detach().numpy() print(fn1:{n1},type:{type(n1)})
 客户端组件)
如何快速云化传统缓存中间件？终极指南)
