第一个 PyTorch 程序：Hello PyTorch

导入 torch

学编程的老规矩，第一个程序叫 Hello World。PyTorch 版就是导入库、建个张量、打印出来：

import torch

print(torch.__version__)

输出应该是你装的版本号，比如 2.13.0。

import torch 这行做了不少事：加载核心库、注册张量类型、准备自动微分引擎。你不用关心细节，只要知道它是入场券就行。

创建张量：从一维到二维

张量（Tensor）是 PyTorch 的基本数据结构。你可以先把它想成「带维度的表格」。最简单的张量，就是 Python 列表套上一层：

import torch

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

输出：

tensor([1, 2, 3])

这就是一个一维张量。tensor(...) 表示它是张量，方括号里是数据。

把列表再套一层，就是二维张量，也就是矩阵：

import torch

x = torch.tensor([[1, 2], [3, 4]])
print(x)

输出：

tensor([[1, 2],
        [3, 4]])

两行两列，清清楚楚。深度学习里的图片、文本，最终都会变成这种张量，只是维度更多。一张彩色图片是三维：高、宽、颜色通道；一批图片叠起来就是四维。

张量能直接做运算

张量支持加减乘除，直接写运算符就行：

import torch

a = torch.tensor([1.0, 2.0, 3.0])
b = torch.tensor([4.0, 5.0, 6.0])

print(a + b)   # 加法
print(a * b)   # 逐元素乘法
print(a.sum()) # 求和
print(a.max()) # 最大值

输出：

tensor([5., 7., 9.])
tensor([ 4., 10., 18.])
tensor(6.)
tensor(3.)

注意 a * b 是逐元素相乘：第一个元素乘第一个元素，第二个乘第二个。不是矩阵乘法。矩阵乘法用 @ 运算符或 torch.matmul，后面章节细讲。

随机张量：训练数据的起点

实际训练时，数据很少是手写的，更多是随机生成。torch.rand 生成 0 到 1 之间的随机数：

import torch

x = torch.rand(2, 3)
print(x)

输出（每次运行都不一样）：

tensor([[0.6291, 0.2581, 0.6414],
        [0.9739, 0.8243, 0.2276]])

torch.rand(2, 3) 的意思是：2 行 3 列，元素是 0 到 1 的均匀随机数。想复现同样的随机结果，可以在开头加一句 torch.manual_seed(0) 固定随机种子。做实验对比时这招很常用。

张量的三个身份证

每个张量都自带三个关键属性，打印出来看看：

import torch

x = torch.rand(2, 3)

print(x.shape)  # 形状
print(x.dtype)  # 数据类型
print(x.device) # 所在设备

输出：

torch.Size([2, 3])
torch.float32
cpu

shape 是形状，说明是 2 行 3 列。dtype 是数据类型，float32 就是 32 位浮点数。device 是设备，cpu 表示在 CPU 上。这三个属性是张量的身份证，下一章我们详细拆解。

把本章代码合成一个文件

把上面的片段拼在一起，就是一个完整的入门脚本：

import torch

# 版本号
print(torch.__version__)

# 创建张量
x = torch.tensor([[1, 2], [3, 4]])
print(x)

# 运算
a = torch.tensor([1.0, 2.0, 3.0])
b = torch.tensor([4.0, 5.0, 6.0])
print(a + b)

# 随机张量和属性
y = torch.rand(2, 3)
print(y.shape, y.dtype, y.device)

存成 hello_pytorch.py，用 python hello_pytorch.py 运行。能跑通，说明环境、语法、张量概念都没问题。

下一步

这一章你跑通了第一个 PyTorch 程序：导入、创建、运算、查看属性。看起来平平无奇，但这就是 PyTorch 世界的全部地基。下一章，我们把张量本身研究透：怎么创建、有什么属性、数据类型怎么选。