1.1 PyTorch 全景与远征路线图

1.1 PyTorch 全景与远征路线图

本节摘要：出发前先看清整个框架的地形。本节把 PyTorch 拆成三层——张量引擎、神经网络层、生态工具——并用一个能跑的环境自检脚本确认你的"行军装备"齐整。读完你应当能画出 PyTorch 的分层架构，说清本册六章各自在这张图上的位置。

远征从全景图开始

上一节（导读）我们定下了路线：跟着一次手写数字识别任务走完全程。本节是出征前的地形勘察。为什么要先看全景？因为 PyTorch 的文档是按模块组织的，初学者很容易把几十个模块当成几十座孤岛——今天背 torch.nn 的类，明天背 torch.optim 的参数，背完还是不知道它们怎么拼成一次训练。地形图在手，后面每个模块出场你都知道它是哪一层的、为谁服务。

图 1-1：PyTorch 分层架构总览

看这张图有两个要点。其一，所有上层——损失函数、优化器、TensorBoard——最终都落到绿色的张量引擎上，这就是为什么第 1 章只用讲张量，却值得用整整一章。其二，autograd 单独占一层：它不是某个模块的功能，而是缠在整个引擎外面的记录仪，第 4 章我们会拆开它。

装箱清单：本册会用到的模块

一次最小的完整训练，实际动用的核心模块不超过六个，本册按出场顺序全部覆盖：

注意 autograd 那一行：它没有独立包名，写训练代码时你几乎从不 import 它，但它无处不在——你调用的每个张量运算，它都在后台记账。这份"隐身"正是很多人对反向传播感到神秘的原因，第 4 章会把它请到台前。

环境自检与第一个张量

动手前先确认装备能用。下面这段自检脚本建议原样跑一遍，它同时验证了导入、版本、设备三件事：

import torch
import sys

# 1. 版本确认：不同版本 API 有差异，遇到报错先对版本
print("Python:", sys.version.split()[0])
print("PyTorch:", torch.__version__)

# 2. 设备确认：有 CUDA 显卡就能用 GPU，没有也能用 CPU 跑完本册全部代码
device = "cuda" if torch.cuda.is_available() else "cpu"
print("可用设备:", device)

# 3. 冒烟测试：在选定设备上做一次完整的前向
x = torch.randn(2, 3).to(device)   # 2行3列的标准正态随机张量
w = torch.ones(3).to(device)       # 长度为3的全1向量
y = x @ w                          # 矩阵乘向量，得到长度2的结果
print("x 在", x.device, "y =", y)
​

预期输出（随机数会不同，结构一致即可）：

Python: 3.11.5
PyTorch: 2.3.0
可用设备: cpu
x 在 cpu y = tensor([ 0.7231, -1.4495])
​

三个数字符号 @、.to(device)、torch.randn 就是本册的主演阵容缩影：@ 是矩阵乘法，第 2 章的每一层里都在发生；.to(device) 管数据搬家，第 4 章分布式训练会扩展成跨设备搬运；randn 造随机数，第 5 章讲参数初始化时会回到它。

两个高频误区，出发前拆掉

误区一：把 PyTorch 当成"更好的 NumPy"来学。 张量运算那部分确实与 NumPy 高度相似，但这个类比在边界处会误导你：NumPy 的心智模型是"对数据做变换"，PyTorch 的心智模型是"对数据做变换，并记下变换的轨迹"。同一行 y = x @ w，在 NumPy 里是终点，在 PyTorch 里是起点——轨迹被记了下来，为的就是第 4 章能沿它倒推。如果你发现自己从不关心 requires_grad，多半还在用 NumPy 的方式写 PyTorch，框架真正的杠杆一点没碰到。判别方法很简单：随手写两行带 requires_grad=True 的小例子跑一遍 backward，能说清梯度落在哪，才算迈过了这道坎。

误区二：框架选型焦虑。 常有人问"该学 PyTorch 还是别的框架"。现实是主流深度学习的研究与教学代码早已高度 PyTorch 化，而本册要教的东西——张量、计算图、梯度、优化——在任何框架里都是同一套道理，只是 API 外衣不同。把机制学透的人换框架只需要一周，只背框架 API 的人换框架要重来一遍，这笔账不难算。

顺带一条工程注记：PyTorch 的版本迭代较快，遇到 API 与文档对不上的情况，第一反应核对版本号（自检脚本已经打了），第二反应查对应版本的官方文档，而不是怀疑自己写错——九成"灵异报错"是版本差异。另一个省心的习惯是给实验定随机种子（脚本里的 manual_seed 就是干这个的）：深度学习的代码里随机性无处不在，种子固定了，报错才能复现，对比才公平。这两个小习惯没有任何技术含量，却是老手与新手的分界线之一——工程能力往往就藏在这些"不值得写进博客"的细节里。

本节要点回顾

• 三层地形：生态工具与领域包在上，nn/optim/autograd 居中，张量引擎托底——所有上层都最终编译成张量运算；
• 核心模块只有六个：一次最小训练用不到更多，别被文档的体量吓住；
• autograd 是隐形层：不显式导入、无处不在，第 4 章专门拆解；
• CPU 够用：本册全部代码可在 CPU 上复现，有无显卡不影响学习路径。

如果把全册比作一场远征，本节画的是整张地图，后面五章就是按图行军：第 2 章在绿色引擎层上组装队伍，第 3 章打通从数据到损失的去程，第 4 章走进橙色引擎舱完成回程，第 5 章把闭环踩成节奏，第 6 章换装扩编走向交付。地图上的每一站都已经在等候——下一节先打开装备箱，认识里面最小也最重要的成员：张量本身。