PyTorch 是一个 开源的深度学习框架，它让神经网络的构建和训练变得 像搭积木一样简单。如果你想用 AI 训练模型，比如识别图片、生成文本、甚至做聊天机器人，PyTorch 都能帮你快速实现！💡

💡 为什么 PyTorch 这么受欢迎？

🔹 代码像 Python，一学就会！

• PyTorch 语法简单，跟 NumPy 很像，适合 Python 程序员上手。
• 代码可读性高，调试方便，适合新手和研究人员。

🔹 动态图（Dynamic Computation Graph）超级灵活！

• 你可以像写普通 Python 代码一样写神经网络，不需要提前定义整个计算过程。
• 适合 复杂网络，比如 RNN、Transformer 等。

🔹 GPU 加速，训练飞快！

• PyTorch 可以自动调用 GPU，让训练速度提升 几十倍！💨

🔹 强大的自动微分（Autograd）！

• PyTorch 能自动求导数，帮你计算梯度，省去手动推导的麻烦。
• 反向传播（Backpropagation）只要 一行代码 就能实现！

🤖 PyTorch 的核心概念

1️⃣ Tensor（张量）：

• PyTorch 里的数据结构，类似于 NumPy 数组，但可以跑在 GPU 上。
• 举个例子，下面创建了一个 2x3 的 Tensor：

import torch
x = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
print(x)

2️⃣ Autograd（自动求导）：

• PyTorch 可以 自动计算梯度，只要 requires_grad=True，就能追踪计算。

python
x = torch.tensor(2.0, requires_grad=True)
y = x ** 2  # y = x^2
y.backward()  # 计算 dy/dx
print(x.grad)  # 输出 4.0

3️⃣ 神经网络（torch.nn）：

• PyTorch 提供了 现成的神经网络模块，比如全连接层、卷积层、RNN 等。

python
import torch.nn as nn
model = nn.Linear(10, 1)  # 10 个输入 -> 1 个输出

4️⃣ 优化器（torch.optim）：

• 负责更新参数，比如常见的 SGD、Adam 等。

python
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

5️⃣ 数据加载（torch.utils.data）：

• 轻松加载大规模数据，比如 图片、文本 等。

python
from torch.utils.data import DataLoader, TensorDataset
dataset = TensorDataset(torch.randn(100, 10), torch.randn(100, 1))
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

🎯 PyTorch 训练神经网络的基本流程

1. 准备数据（加载数据集、转换成 Tensor）
2. 定义模型（搭建神经网络）
3. 选择损失函数 & 优化器
4. 训练模型（循环更新参数）
5. 测试 & 预测

完整代码示例（训练一个简单的线性回归模型）：

python
import torch
import torch.nn as nn
import torch.optim as optim

# 1. 生成数据
x = torch.randn(100, 1)
y = 3 * x + 2 + 0.1 * torch.randn(100, 1)  # 目标函数：y = 3x + 2

# 2. 定义模型
model = nn.Linear(1, 1)  # 线性回归

# 3. 选择损失函数 & 优化器
loss_fn = nn.MSELoss()  # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.1)

# 4. 训练模型
for epoch in range(100):
    y_pred = model(x)  # 前向传播
    loss = loss_fn(y_pred, y)  # 计算损失

    optimizer.zero_grad()  # 梯度清零
    loss.backward()  # 反向传播
    optimizer.step()  # 更新参数

    if epoch % 10 == 0:
        print(f'Epoch {epoch}, Loss: {loss.item()}')

# 5. 预测
test_x = torch.tensor([[5.0]])
predicted_y = model(test_x)
print(f'预测值: {predicted_y.item()}')