前言

PyTorch 是一个由第三方维护的开源深度学习框架，它并不是 Python 标准库的一部分。这一点必须放在最前面说清楚：很多人以为「装完 Python 就能 import torch」，实际不行，必须单独用包管理器安装，而且安装命令和你的操作系统、显卡驱动、Python 版本强相关。

本文的定位是「入门与安装」，不会去讲模型结构设计或训练技巧。本文会讲清三件事：PyTorch 的核心对象是什么、它的安装流程和版本匹配规则、以及最常用的三个组件（张量、模块、数据加载器）各自扮演什么角色。

需要强调的前提：本文作者所在的环境没有安装 PyTorch，也无法安装。因此文中所有代码都是按官方文档的接口写出来的示例，供你复制到自己的环境里运行，本文不声称任何代码被实际执行过。涉及具体参数签名时，一律以 PyTorch 官方文档为准，因为该库迭代较快，接口在不同大版本之间会有调整。

一、PyTorch 里的核心对象：张量（tensor）

PyTorch 的基本数据结构叫张量（tensor）。它可以理解成一个多维数组，和 NumPy 的 ndarray 在形状、索引、广播这些语义上很接近，但多了两个关键能力：

1. 
   
2. 可以放在 GPU 上。张量有一个「设备（device）」属性，可以是 CPU，也可以是某一块 GPU。
3. 
   
4. 支持自动求导（autograd）。对张量做运算时，框架会记录运算图，需要时自动算梯度。
5. 
   

这两点是它和普通数组库最本质的区别。下表对照一下张量和 NumPy 数组的关系。

维度	NumPy ndarray	PyTorch tensor

数据形状 / 索引语义

多维数组

多维数组（基本一致）

计算设备

仅 CPU

CPU 或 GPU

是否记录梯度

否

可选，默认对浮点张量开启

与对方转换

用 torch.from_numpy 接收

用 .numpy() 转回

主要用途

通用数值计算

深度学习训练与推理

一个最基本的张量示例：

# 适用于 Python 3.8+（需要先安装 torch）

import torch



x = torch.tensor([[1.0, 2.0], [3.0, 4.0]])

print(x.shape)    # torch.Size([2, 2])

print(x.dtype)    # torch.float32

print(x.device)   # 默认在 CPU 上



y = x * 2 + 1     # 逐元素运算

print(y)

判断当前环境是否能用 GPU，官方提供了查询接口：

# 适用于 Python 3.8+（需要先安装 torch）

import torch



print(torch.cuda.is_available())   # 没有可用的 CUDA 环境时返回 False

print(torch.cuda.device_count())   # 可用的 GPU 数量

二、安装流程与版本匹配

安装 PyTorch 的正确姿势只有一条：打开官方网站的「安装命令选择器」，按你的系统、包管理器、语言、计算平台各选一项，把它生成的那一行命令原样复制到终端执行。 不要凭记忆手敲参数，也不要用第三方镜像给的固定命令，因为计算平台（CPU / 各种 CUDA 版本）必须和你的驱动匹配。

大致流程可以拆成四步：

1. 
   
2. 确认 Python 版本。PyTorch 对 Python 版本有下限要求，老版本 Python 可能没有对应的轮子（wheel）。用 python --version 查看。
3. 
   
4. 建议在虚拟环境里安装，避免污染系统环境。python -m venv venv 创建，激活后再装。
5. 
   
6. 用自己的包管理器执行选择器给出的命令。pip 用户大致形如 pip install torch torchvision torchaudio，但带不带后缀、带哪个后缀，必须照抄官网。
7. 
   
8. 装完用 python -c "import torch; print(torch.__version__)" 验证能否导入。
9. 
   

关于 CPU 版与 GPU 版，有几条经验性的差异值得提前知道：

项目	CPU 版	GPU 版（CUDA）

体积

较小

明显更大，因为打包了 CUDA 运行库

依赖

无额外驱动要求

需要匹配的显卡驱动与 CUDA 运行时

适用场景

学习、推理小模型

需要 GPU 加速的训练

装错症状

能用但 cuda.is_available() 为 False

导入报驱动 / 动态库相关错误

如果只是学习语法和小规模练习，安装 CPU 版完全够用，而且下载量小、出错概率低。等到确实要用 GPU 时再重装。

三、三个核心组件的角色

张量：数据的载体

前面已经说过，张量是数据的容器。网络里的输入、权重、中间激活值、输出，全都是张量。

nn.Module：模型与层的基类

torch.nn.Module 是所有神经网络模块的基类。你自定义一个模型，标准写法是继承它，在 __init__ 里声明要用到的子层，并实现 forward 方法描述前向计算。框架会在你「调用」模型实例时自动去调 forward——注意是调用实例本身，不是显式写 model.forward(x)。

# 适用于 Python 3.8+（需要先安装 torch）

import torch

import torch.nn as nn



class Net(nn.Module):

    def __init__(self, in_features, out_features):

        super().__init__()

        self.fc = nn.Linear(in_features, out_features)



    def forward(self, x):

        return self.fc(x)



model = Net(4, 2)

print(model(torch.randn(1, 4)).shape)   # 输出形状 torch.Size([1, 2])

nn.Linear 是一个全连接层，参数是输入特征数和输出特征数；它的权重会被自动登记到模块里，所以 model.parameters() 能枚举到它们，优化器才能更新它们。这就是「继承 nn.Module」的意义：让框架知道哪些张量是模型的一部分。

DataLoader：批量喂数据的管道

训练时你很少一次把整个数据集塞进去，而是分成小批次（batch）反复迭代。torch.utils.data.DataLoader 就是干这个的：它把 Dataset（负责「按索引取一条样本」）包装成可迭代对象，负责分批、打乱、并行加载。

# 适用于 Python 3.8+（需要先安装 torch）

from torch.utils.data import Dataset, DataLoader



class Squares(Dataset):

    def __init__(self, n):

        self.n = n



    def __len__(self):

        return self.n



    def __getitem__(self, idx):

        return idx, idx * idx



loader = DataLoader(Squares(10), batch_size=4, shuffle=False)

for batch in loader:

    print(batch)

你需要自己实现的只有 Dataset 的两个方法：__len__ 返回样本总数，__getitem__ 按索引返回一条样本。其余的分批逻辑交给 DataLoader。

常见坑点

1. 以为 PyTorch 是 Python 自带的。

• 
  
• ❌ 直接写 import torch 后发现 ModuleNotFoundError，然后怀疑 Python 装坏了。
• 
  
• ✅ 明确它属于第三方包，先确认已按官方命令安装，再在装它的那个解释器里导入。
• 
  

2. 忘记用虚拟环境，多个项目互相打架。

• 
  
• ❌ 全局 pip install 一切，A 项目要 CUDA 版、B 项目要 CPU 版，结果互相覆盖。
• 
  
• ✅ 每个项目建独立虚拟环境：python -m venv venv，激活后再安装。
• 
  

3. CUDA 版本和显卡驱动不匹配。

• 
  
• ❌ 看到某个教程写着 cu121 就照抄，结果驱动太旧装完报错。
• 
  
• ✅ 用官网选择器，按你当前驱动支持的 CUDA 版本挑选项，再复制它给的命令。
• 
  

4. 装成 CPU 版却以为是 GPU 版。

• 
  
• ❌ 训练时发现慢，以为代码写错了。
• 
  
• ✅ 装完先跑 torch.cuda.is_available()，为 False 就说明当前环境用不了 GPU。
• 
  

5. 手敲安装命令，参数记错。

• 
  
• ❌ 凭印象写出一串 index-url 参数，拼错了却不知道。
• 
  
• ✅ 一律从官网选择器复制，不自己拼。
• 
  

6. 混用 conda 与 pip 装同一个包。

• 
  
• ❌ 一半用 conda 装、一半用 pip 装，环境里出现两份不一致的库。
• 
  
• ✅ 在一个环境里固定用同一种包管理器，按官方推荐的组合来。
• 
  

7. 调用模型时显式写 .forward()。

• 
  
• ❌ model.forward(x)，绕过了框架为调用实例准备的钩子机制。
• 
  
• ✅ 直接 model(x)，把 forward 留给框架去调。
• 
  

8. 忽略 torch 与 torchvision 的版本配套。

• 
  
• ❌ 两个包版本随便装，运行时报接口不兼容。
• 
  
• ✅ 按官网选择器一次性给出的一组命令安装，配套版本由官网保证。
• 
  

总结

要点	结论

性质	第三方库，非标准库，需单独安装

安装依据	以 PyTorch 官方文档 / 官网选择器为准

核心数据结构

张量（tensor），可上 GPU、可自动求导

模型基类	nn.Module，实现 __init__ 与 forward

数据管道	Dataset + DataLoader，前者取样本、后者做分批

CPU 与 GPU

按需选择，学习阶段 CPU 版更省事

安装 PyTorch 的关键不在记命令，而在「按官网匹配版本」这一条纪律；用起来的关键则在于理解张量、模块、数据管道这三者的分工。把这三样分清楚，后面的模型代码就不容易写乱。