深度学习框架PyTorch笔记（一）PyTorch简介及在macos安装

深度学习框架PyTorch笔记（一）PyTorch简介及在macos安装

1.PyTorch的简介

​ PyTorch是一个由Meta（原Facebook）开发的开源深度学习框架，以灵活性和易用性著称，广泛应用于人工智能与生产部署。其是一个开源的Python机器学习库，基于Torch库，底层由C++实现，应用于人工智能领域，如计算机视觉和自然语言处理。

​ 深度学习软件都是基于PyTorch构建的，包括特斯拉自动驾驶，Uber的Pyro，Hugging Face的Transformers和Catalyst。PyTorch主要有两个特征：

• 类似于NumPy的张量计算，能在GPU或MPS等硬件上加速。
• 基于带自动微分系统的深度神经网络。

PyTorch的特性总结：

• 动态计算图（Dynamic Computation Graphs）：PyTorch的计算图是动态的，这意味着它们在运行时构建，并且可以随时改变。这为实验和调试提供了极大的灵活性，因为开发者可以逐行执行代码，查看中间结果。

• 自动微分（Automatic Differentiation）： PyTorch的自动微分系统允许开发者轻松计算梯度，这对于训练深度学习模型至关重要。它通过反向传播算法自动计算出损失函数对模型参数的梯度。

• 张量计算（Tensor Computation）： PyTorch提供了类似于Numpy的张量操作，这些操作可以在CPU和GPU上执行，从而加速计算的过程。张量是PyTorch中的基本数据结构，用于存储和操作数据。

• 丰富的API： PyTorch提供了大量的预定义层，损失函数和优化算法，这些都是构建深度学习模型的常用组件。

• 多语言支持：PyTorch虽然以Python为主要接口，但也提供了C++接口，允许更底层的集成和控制。

​ PyTorch完全支持在\(GPU\) 上运行，以加速深度学习模型的训练。通过简单的\(.to(device)\)方法，用户可以将模型和张量转移到\(GPU\) 上进行计算。PyTorch支持多GPU训练，能够利用NVIDIA CUDA技术显著提高计算效率。GPU支持：

• 自动选择\(GPU\) 和\(CPU\) 。
• 支持通过CUDA加速运算。
• 支持多GPU并行计算（Data Parallel 或 torch.distributed）

Pytorch作为一个开源项目，拥有一个庞大的社区和生态系统。它不仅在学术界得到了广泛的应用，也在工业界，特别是在计算机视觉，自然语言处理等领域中得到了广泛的部署。PyTorch还提供了许多与深度学习相关的工具和库，如：

• torchvision：用于计算机视觉任务的数据集和模型。
• torchtext： 用于自然语言处理任务的数据集和预处理工具。
• torchaudio：用于音频处理的工具包。
• PyTorch Lightning： 一种简化\(PyTorch\) 代码的高层库，专注于研究和实验的快速迭代。

PyTorch 由于其灵活性，易用性和社区支持，已经成为了很多深度学习研究者的首选框架。

2.PyTorch 在macOS的安装及调试

步骤1：安装anaconda

好处在于方便后续做好环境隔离，创建不同的虚拟环境搭配不同的Python版本等等；

如果安装好，可以通过以下命令检查是否安装成功。

conda info

步骤2：安装\(PyTorch\)，与GPU加速的MPS

创建一个新的Pytorch的\(conda\) 虚拟环境：

conda create -n pytorch python=3.10

其中pytorch为该虚拟环境的名称，激活该conda环境。

conda activate pytorch

去官网https://pytorch.org/get-started/locally/ 根据计算机的配置获取\(PyTorch\)的pip安装命令：

pip3 install torch torchvision

输入下面命令进行验证是否安装成功。

python
import torch
torch.__version__
torch.device("mps")

成功的执行如下：

(pytorch) fxr@MacBook-Pro ~ % python
Python 3.12.13 | packaged by Anaconda, Inc. | (main, Mar 19 2026, 20:12:32) [Clang 20.1.8 ] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
torch.__version__
torch.device("mps")
>>> torch.__version__
'2.12.0'
>>> torch.device("mps")
device(type='mps')
>>> 

步骤3：VsCode配置Python-PyTorch环境

打开VSCode，点击左下方“齿轮”图标，选择设置，打开settings.config文件。

文件中加入Anaconda中Python版本的路径。

 "python.defaultInterpreterPath": "/Users/XXX/opt/anaconda3/envs/pytorch/bin/python"

这里的路径修改为解释器路径，也就是PyTorch环境中的bin下Python版本路径。查看路径的方法可以打开终端输入以下命令查看，复制要运行的解释器路径即可。

测试：新建Python文件，输入以下内容：

import torch
a = torch.rand(3,5)
print(a)
b = torch.device('mps')
print(b)

输出：

pytorch) fxr@MacBook-Pro Documents % python -u "/Users/fxr/Documents/pytorch_
test/test.py"
tensor([[0.5197, 0.1722, 0.8020, 0.6143, 0.8769],
        [0.5342, 0.8789, 0.7136, 0.3921, 0.7005],
        [0.1625, 0.5638, 0.7563, 0.8804, 0.9895]])
mps

输出正常，则安装成功！