Python 与深度学习入门

深度学习是大模型的地基，而 Python 是通往地基的脚手架。本篇目标：会用 PyTorch 训练一个真实模型。

一、环境准备

建议使用 Anaconda 或 venv 管理环境，避免依赖冲突：

python -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate
pip install numpy torch torchvision

二、张量：深度学习的最小单位

NumPy 的数组升级为 GPU 可计算的 Tensor，API 高度相似：

import torch
x = torch.tensor([[1., 2.], [3., 4.]], requires_grad=True)
y = (x ** 2).sum()
y.backward()        # 自动求导
print(x.grad)       # 2*x

三、训练的本质

所谓“学习”，就是反复执行三步：前向计算误差、反向传播梯度、按梯度更新参数。

w = torch.randn(1, requires_grad=True)
opt = torch.optim.SGD([w], lr=0.01)
for _ in range(200):
    loss = ((w * xs - ys) ** 2).mean()   # 均方误差
    opt.zero_grad()
    loss.backward()                       # 反向传播
    opt.step()                            # 更新权重

四、下一步

理解了张量、自动求导与优化器这三件事，就可以去看神经网络与 PyTorch 实战了。模型变复杂，但“前向 + 反向 + 更新”的循环不会变。