用深度学习搞事情，模型搭建和训练是绕不开的两步。而 PyTorch，作为一个“又灵活又好用”的深度学习框架，简直就是写代码的快乐源泉。今天我们就从 0 到 1，实战 PyTorch 的模型搭建和训练流程。说白了，看完你就能自己搭个神经网络，喂点数据进去，再让它干点活。

安装 PyTorch

要用 PyTorch，得先装上它。PyTorch 的安装稍微有点讲究，主要是要根据你的硬件选择 CPU 版本还是 GPU 版本。

基本安装命令

如果你只用 CPU，就这么装：

pip install torch torchvision

如果你有 NVIDIA 的 GPU（并且装了 CUDA），可以用下面的命令：

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

温馨提示：

GPU 能大大加速训练速度，但得先确保你的显卡支持 CUDA，并且驱动版本合格。

数据准备

模型训练需要数据，就像人学技能需要教材。PyTorch提供了torch.utils.data模块，让你可以轻松加载和管理数据。

使用内置数据集

为了简单，我用PyTorch自带的 MNIST 数据集（手写数字）。我们可以用torchvision.datasets直接下载并加载它。

import torch
from torchvision import datasets, transforms

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))  # 标准化到 [-1, 1]
])

# 加载训练和测试数据
train_data = datasets.MNIST(root="./data", train=True, download=True, transform=transform)
test_data = datasets.MNIST(root="./data", train=False, download=True, transform=transform)

# 数据加载器
train_loader = torch.utils.data.DataLoader(train_data, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_data, batch_size=64, shuffle=False)

运行后，MNIST数据集会被下载到./data目录下，同时数据会被转换成PyTorch的张量格式。

温馨提示：

batch_size 是每次喂给模型的数据量，太小会导致训练慢，太大则可能爆显存。

---

资源分享

为了方便大家学习，我整理了PyTorch全套学习资料，包含配套教程讲义和源码

除此之外还有100G人工智能学习资料

包含数学与Python编程基础、深度学习+机器学习入门到实战，计算机视觉+自然语言处理+大模型资料合集

不仅有配套教程讲义还有对应源码数据集。

更有零基础入门学习路线，不论你处于什么阶段，这份资料都能帮助你更好地入门到进阶。

需要的兄弟可以按照这个图的方式免费获取

 

---

搭建模型

模型就是一个“函数”，它接收输入（比如图片），输出预测结果（比如是个7）。在 PyTorch里，可以通过继承torch.nn.Module来定义自己的模型。

定义一个简单的神经网络

import torch.nn as nn

# 定义模型
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(28 * 28, 128)  # 输入层到隐藏层
        self.fc2 = nn.Linear(128, 10)       # 隐藏层到输出层

    def forward(self, x):
        x = x.view(-1, 28 * 28)  # 展平输入 (28x28 -> 784)
        x = torch.relu(self.fc1(x))  # 激活函数 ReLU
        x = self.fc2(x)
        return x

这里的forward方法定义了模型的前向传播过程，而torch.relu是一个激活函数，用来引入非线性。

温馨提示：

view(-1, 28 * 28) 是用来把二维图片展平成一维向量，方便传入全连接层。

定义损失函数和优化器

模型需要优化，就得有“目标”和“规则”。在 PyTorch 里，目标是损失函数，规则是优化器。

定义损失函数

分类任务通常用交叉熵损失函数：

loss_fn = nn.CrossEntropyLoss()

交叉熵会计算预测结果和真实标签之间的误差，误差越小，模型就越靠谱。

定义优化器

优化器负责调整模型的参数，让它越来越接近正确答案。我们用经典的 Adam 优化器：

import torch.optim as optim

model = SimpleNN()  # 初始化模型
optimizer = optim.Adam(model.parameters(), lr=0.001)

lr 是学习率，决定了每次参数调整的步伐大小。

温馨提示：

学习率太大模型会不稳定，太小则训练太慢。一般从0.001开始调。

模型训练

训练过程就是：喂数据 -> 计算预测值 -> 计算损失 -> 调整参数。我们用循环来完成这个流程。

训练代码：

# 训练模型
epochs = 5
for epoch in range(epochs):
    model.train()  # 设置为训练模式
    total_loss = 0

    for images, labels in train_loader:
        optimizer.zero_grad()  # 清空上一步的梯度
        outputs = model(images)  # 前向传播
        loss = loss_fn(outputs, labels)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数

        total_loss += loss.item()

    print(f"Epoch {epoch+1}/{epochs}, Loss: {total_loss:.4f}")

运行后，你会看到每个epoch的损失值逐渐下降，说明模型学得还不错。

温馨提示：

每次训练前用model.train()，告诉 PyTorch 这是训练阶段（会启用 Dropout 等机制）。

模型评估

模型训练完了，得看看它到底行不行。我们用测试集来评估准确率。

测试代码：

model.eval()  # 设置为评估模式
correct = 0
total = 0

with torch.no_grad():  # 不计算梯度
    for images, labels in test_loader:
        outputs = model(images)
        _, predicted = torch.max(outputs, 1)  # 获取预测结果
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

accuracy = correct / total
print(f"Test Accuracy: {accuracy * 100:.2f}%")

运行后，你会看到模型在测试集上的准确率，比如97.85%，还挺靠谱。

温馨提示：

🔒 测试时用torch.no_grad()，可以节省内存和计算资源。

保存和加载模型

训练好的模型可以保存下来，下次直接加载就能用。

保存模型

torch.save(model.state_dict(), "model.pth")

这会把模型的参数保存到model.pth 文件里。

加载模型

model = SimpleNN()  # 重新初始化模型
model.load_state_dict(torch.load("model.pth"))

加载后，模型就恢复到了训练好的状态，可以直接用来预测。

常见问题和解决办法

• 训练慢：尝试使用 GPU 加速，只需在代码开头加一句device = torch.device("cuda" if torch.cuda.is_available() else "cpu")，然后把模型和数据都转到device上。

• 损失不下降：检查数据是否标准化，学习率是否合适，或者试试更复杂的模型结构。

• 过拟合：如果训练集表现很好，但测试集表现差，可以加一些正则化手段，比如 Dropout。

PyTorch 的模型搭建和训练其实没那么复杂，大概流程就是：准备数据 -> 定义模型 -> 训练模型 -> 评估效果。熟悉这些步骤后，你就可以胜任大部分深度学习任务了！