跳到主要內容

Day 26 PyTorch 安裝與張量

Day 26 PyTorch 安裝與張量

引言

走到今天，Python 基礎、資料處理、視覺化與數學都準備好了。從明天起，我們要正式踏入 PyTorch 的世界。PyTorch 是目前最主流的深度學習框架之一，語法直覺、偵錯方便，被學術界與產業界廣泛使用。Meta 在 2016 年開源釋出，經過多年的迭代，已經成為研究者與工程師的首選工具之一。相較於 TensorFlow 1.x 的靜態計算圖，PyTorch 採用「動態計算圖」，讓你能像寫普通 Python 一樣即時偵錯，這對新手特別友善。

今天的目標有兩個：把 PyTorch 安裝好，並理解「張量」（Tensor）是什麼。張量可以想成是 NumPy ndarray 的強化版：除了支援 CPU 運算，還能搬到 GPU 上跑；除了基本運算，還內建自動微分（明天的主題）。學會張量，就掌握了 PyTorch 一切的起點。為了確保環境一致，這篇的所有範例都假設 Python 3.12、PyTorch 2.5 系列。

在虛擬環境中安裝 PyTorch

強烈建議在獨立的虛擬環境中安裝 PyTorch，避免不同專案的套件版本互相衝突。Day 12 學過的 venv 在這裡一樣適用。當你同時有多個深度學習專案時，虛擬環境能避免「某個專案升級了套件，結果另一個專案壞掉」這種慘劇。

# 建立並啟動虛擬環境
python -m venv .venv
# Windows 啟動
.venv\Scripts\activate
# macOS / Linux 啟動
source .venv/bin/activate

pip install --upgrade pip

接下來到 PyTorch 官方網站的「Get Started」頁面，根據你的作業系統、套件管理器（這裡用 pip）、Python 版本與 CUDA 版本，產生對應的安裝指令。截至 2024 年 11 月，PyTorch 穩定版是 2.5 系列。CPU 版的安裝指令如下：

# CPU 版（沒有 NVIDIA GPU 或暫時不需要 GPU 加速）
pip install torch torchvision torchaudio

如果電腦有 NVIDIA GPU，並且已經裝好 CUDA，可以安裝 GPU 版獲得明顯的加速。安裝指令需要在 PyTorch 官網依你的 CUDA 版本選擇對應的 wheel。2024 年 11 月時，PyTorch 2.5 支援 CUDA 11.8 與 CUDA 12.1／12.4 三個版本。GPU 版在大規模訓練時可以比 CPU 快上幾十倍，但在小型實驗或學習階段，CPU 版已經足夠。

# CUDA 12.1 範例（GPU 版）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

安裝完成後，進入 Python 環境檢查版本與 CUDA 是否可用：

import torch
print("PyTorch 版本：", torch.__version__)
print("CUDA 是否可用：", torch.cuda.is_available())
if torch.cuda.is_available():
    print("CUDA 版本：", torch.version.cuda)
    print("GPU 名稱：", torch.cuda.get_device_name(0))

輸出（依環境而異）：

PyTorch 版本： 2.5.1
CUDA 是否可用： True
CUDA 版本： 12.1
GPU 名稱： NVIDIA GeForce RTX 4070

如果 torch.cuda.is_available() 回傳 False，最常見的原因是：驅動程式太舊、CUDA toolkit 沒裝、或 pip 安裝時選到 CPU 版。要查 GPU 對應的 CUDA 版本，可以在命令提示字元輸入 nvidia-smi，最上方會顯示 CUDA Version（這是「驅動能支援的最高 CUDA 版本」，不是已經裝好的 toolkit 版本）。

如何選擇正確的 CUDA 版本

CUDA 版本沒選對，安裝會直接失敗或執行時出錯。選擇時請依照這個順序檢查：

  1. 查 GPU 驅動支援的 CUDA 版本：執行 nvidia-smi，右上角的「CUDA Version」告訴你這個驅動最多能跑哪個 CUDA。例如看到 12.6，代表你的驅動可以支援到 CUDA 12.6。
  2. 選一個 PyTorch 有支援、且不高於上面數字的 CUDA：截至 2024 年 11 月，PyTorch 2.5 提供 CUDA 11.8、12.1、12.4 的 wheel。若驅動能支援到 12.6，可以安裝 12.1 或 12.4 的 wheel；若驅動只支援到 12.0，則要改裝 CUDA 11.8 版（向前相容）。
  3. 若不確定，就先用 CPU 版：CPU 版可以完整執行所有 PyTorch 功能，只是會比較慢。等到確認 GPU 環境沒問題，再切換成 GPU 版。

記得 PyTorch 的 CUDA 版本和 NVIDIA 驅動的 CUDA 版本是「分開的」。驅動向後相容，舊驅動可以執行新 CUDA toolkit 編譯出的應用；但 PyTorch 的 wheel 是預先編譯的，必須裝對應版本的 wheel，否則會在 import 時報錯。常見的錯誤是「用 CUDA 12.6 驅動裝了 CUDA 12.1 的 wheel，結果 import 時出現 undefined symbol」——這時只要重新裝對應版本的 wheel 即可解決。

張量：NumPy ndarray 的強化版

張量（Tensor）是 PyTorch 的核心資料結構。最簡單的理解方式是：它是 NumPy 的 ndarray 加上三個額外能力——能跑在 GPU 上、能記錄運算過程以支援自動微分、能整合進神經網路層的計算圖。理解張量，就等於理解 PyTorch 的「資料」概念，後續所有模型、訓練、推論都建立在張量之上。

import torch

# 從 Python 串列建立張量
t = torch.tensor([[1, 2, 3], [4, 5, 6]])
print("張量 t：")
print(t)
print("形狀 =", t.shape)
print("資料型別 =", t.dtype)
print("裝置 =", t.device)

輸出：

張量 t：
tensor([[1, 2, 3],
        [4, 5, 6]])
形狀 = torch.Size([2, 3])
資料型別 = torch.int64
裝置 = cpu

預設情況下，張量建在 CPU 上、整數資料會用 int64。如果想指定資料型別與裝置，可以在建立時加上參數。深度學習中幾乎所有運算都用浮點數（float32 居多），所以實務上常常會這樣寫：torch.tensor([1.0, 2.0, 3.0]) 或 torch.tensor([1, 2, 3], dtype=torch.float32)。

t_float = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)
print("資料型別 =", t_float.dtype)

PyTorch 還有幾個常用的張量建立函式：

zeros = torch.zeros(2, 3)       # 2×3 全零
ones = torch.ones(2, 3)         # 2×3 全一
rand = torch.rand(2, 3)         # 2×3 介於 [0, 1) 的均勻亂數
randn = torch.randn(2, 3)       # 2×3 標準常態分佈亂數
arange = torch.arange(0, 10, 2) # [0, 2, 4, 6, 8]

這些函式的行為和 NumPy 非常相似，熟悉 Day 15、Day 16 的 NumPy 章節後應該不陌生。torch.rand() 與 torch.randn() 的差異是：前者是均勻分佈，後者是常態分佈。神經網路初始化權重時常用 randn()，讓初始權重以 0 為中心對稱分佈。

張量運算與 NumPy 互轉

張量之間的運算、索引、切片都和 NumPy ndarray 幾乎一樣，可以用熟悉的 NumPy 語法操作 PyTorch 張量。當你需要從熟悉的 NumPy 切換到 PyTorch 時，這種語法一致性會大幅降低學習門檻。

import torch

a = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
b = torch.tensor([[5.0, 6.0], [7.0, 8.0]])

print("逐元素相加：\n", a + b)
print("逐元素相乘：\n", a * b)
print("矩陣乘法：\n", a @ b)
print("第 0 列：", a[0])
print("第 1 欄：", a[:, 1])

輸出：

逐元素相加：
tensor([[ 6.,  8.],
        [10., 12.]])
逐元素相乘：
tensor([[ 5., 12.],
        [21., 32.]])
矩陣乘法：
tensor([[19., 22.],
        [43., 50.]])
第 0 列： tensor([1., 2.])
第 1 欄： tensor([2., 4.])

張量也常常需要和 NumPy 陣列互轉，特別是在載入資料或繪圖時。Pandas 讀進來的資料是 DataFrame，要先轉 NumPy 再轉張量；畫圖時則需要反向從張量轉回 NumPy。這兩個方向的轉換是日常開發的高頻操作。

import torch
import numpy as np

# NumPy 轉張量
arr = np.array([1.0, 2.0, 3.0])
t_from_numpy = torch.from_numpy(arr)
print("從 NumPy 建立：", t_from_numpy)

# 張量轉 NumPy
t = torch.tensor([4.0, 5.0, 6.0])
arr_back = t.numpy()
print("轉回 NumPy：", arr_back)

需要注意，torch.from_numpy() 與 tensor.numpy() 預設會共用同一塊記憶體——改其中一邊，另一邊也會跟著改。如果不要這種行為，要用 torch.tensor(arr).clone() 先複製一份。這種「共享記憶體」的設計在效能上很高效，但在改資料時容易踩到坑，特別是用 GPU 張量時還會直接報錯。

裝置切換：在 CPU 與 GPU 之間搬運張量

要讓神經網路跑在 GPU 上，所有相關的張量與模型都必須在同一個裝置上。實務上會用一個 device 變數統一管理，並在建立張量或模型時指定裝置。這個寫法讓同一支程式不論在有沒有 GPU 的機器上都能跑——沒 GPU 時自動用 CPU，有 GPU 時自動用 GPU。

import torch

device = "cuda" if torch.cuda.is_available() else "cpu"
print("使用裝置：", device)

# 建立張量時直接指定裝置
x = torch.rand(3, 4, device=device)
print("張量裝置：", x.device)

# 既有張量用 .to() 搬裝置
y = torch.rand(3, 4)
y = y.to(device)
print("搬動後裝置：", y.device)

# 不同裝置的張量不能直接運算
cpu_t = torch.tensor([1.0, 2.0])
if torch.cuda.is_available():
    gpu_t = cpu_t.to("cuda")
    result = cpu_t + gpu_t
    print(result)
else:
    print("目前是 CPU 環境，跳過 GPU 運算測試")

最後一行的混合運算在 CPU 環境下會跳過、只在有 GPU 的環境下執行——這就是實務上寫 PyTorch 程式的標準起手式：把 device 寫成一個動態判斷的變數，這樣同一支程式不論在有沒有 GPU 的機器上都能跑。常見的錯誤是「忘記把模型搬到 GPU 上，結果輸入資料在 GPU、模型在 CPU」，這時只要把模型也 .to(device) 即可解決。

結語

今天把 PyTorch 安裝好、理解了 CUDA 與驅動版本的搭配原則，並認識了張量這個核心資料結構。從明天開始，我們會在張量之上加入「自動微分」——這也是 PyTorch 名字中 Torch（火焰）真正燃燒的地方。明天學習 requires_grad 與計算圖，看神經網路是怎麼自動算出每一個參數的梯度。PyTorch 的 autograd 是整個深度學習革命的重要推手之一，能讓你專注在模型設計上，把繁瑣的偏導數計算交給框架處理。

明天，我們會在張量之上加入「自動微分」——這也是 PyTorch 名字中 Torch（火焰）真正燃燒的地方。明天學習 requires_grad 與計算圖，看神經網路是怎麼自動算出每一個參數的梯度。

標籤：

留言

張貼留言

這個網誌中的熱門文章

Day 2 變數與資料型別

Day 2 變數與資料型別 引言 寫程式的過程中，變數與資料型別是處理資料的基礎。變數是存放資料的容器，資料型別則決定這筆資料有哪些特性、可以進行哪些操作。學會定義變數、認識各種資料型別，是學好 Python 的關鍵一步。 這篇文章會帶你了解 Python 中變數的觀念、如何定義變數，以及常見的資料型別，包括整數、浮點數、字串、布林值，還有串列、元組、字典與集合等容器型別。我們也會介紹變數的命名規則與撰寫風格建議，以及如何用 type() 檢查資料型別。 什麼是變數？如何在 Python 中定義變數 變數是在程式執行時用來存放資料的名稱。透過定義變數，我們可以給一筆資料一個名字，並在程式的其他地方用這個名字取用該筆資料。在 Python 中，變數不需要事先宣告型別，因為 Python 是動態型別語言，變數的型別由指定給它的值決定。 定義變數的基本語法 在 Python 中定義變數非常簡單，只要用賦值符號 = 把值指定給變數即可。例如： x = 5 # 定義變數 x，並把整數 5 賦值給它 name = "Alice" # 定義變數 name，並把字串 "Alice" 賦值給它 在這裡，x 是一個變數，被賦予整數 5；name 是另一個變數，被賦予字串 "Alice"。 變數的更新與覆寫 變數的值可以修改，也就是說，我們可以在程式的不同地方給同一個變數新的值。例如： x = 10 # x 最初被賦予 10 x = 15 # x 的值現在被更新為 15 這樣就能依照需求，在程式執行過程中靈活調整變數的值。 Python 的動態型別系統 Python 和某些靜態型別語言不同，定義變數時不需要宣告型別。賦值時，Python 會根據值自動判斷變數的型別。例如： x = 5 # x 是整數 x = 3.14 # x 變成浮點數 x = "Hi" # x 變成字串 同一個變數在程式執行過程中可以存放不同型別的值，這是 Python 的彈性之一。 常見資料型別 在 Python 中，資料型別決定我們可以對變數進行哪些操作...
張貼留言
閱讀完整內容

Day 1 Python 簡介與環境設定

Day 1 Python 簡介與環境設定 引言 在現在的科技環境裡，程式設計已經是一項重要技能。無論你是對資料科學有興趣、想成為開發者，或是想踏入人工智慧（AI）領域，學會寫程式都能明顯提升你的競爭力。在眾多程式語言中，Python 因為語法簡單、功能強大、應用範圍廣泛，成為許多人進入程式世界的第一選擇。這篇文章會帶你認識 Python 的背景與優勢，並一步步教你在不同系統上安裝與設定 Python 開發環境，最後寫出第一支 Python 程式。 為什麼選擇 Python？ Python 是一種高階程式語言，由 Guido van Rossum 在 1991 年發布。Python 的設計哲學強調程式碼的可讀性，並用縮排來定義程式區塊，這點和許多使用大括號的語言不同。簡潔的語法讓它成為初學者的理想選擇；就算是經驗豐富的開發者，也能用它完成複雜的專案。 Python 的優勢如下： 簡單易學 ：Python 的語法清楚、結構簡潔，初學者很快就能上手。和其他語言相比，學習曲線相對平緩，不需要先弄懂一堆複雜觀念，就能開始寫程式。 應用範圍廣泛 ：從資料科學、網頁開發、人工智慧、機器學習、自動化測試到網路爬蟲，Python 都有大量開源函式庫與工具支援，而且在這些領域都扮演關鍵角色。 豐富的函式庫與框架 ：Python 的函式庫生態系非常龐大。做資料分析有 NumPy、Pandas；開發網站有 Django、Flask；做深度學習有 TensorFlow、PyTorch。各種需求幾乎都能找到對應的套件，讓開發更有效率。 跨平台支援 ：Python 支援 Windows、macOS、Linux 等作業系統，程式通常不需要太多修改就能跨平台執行，讓開發與部署更有彈性。 活躍的社群 ：Python 擁有龐大的開發者社群。學習或開發上遇到問題，幾乎都能在社群與論壇（例如 Stack Overflow）找到答案，對初學者來說是很強的後盾，也能減少卡關時的挫折感。 Python 的應用領域 Python 的流行與強大功能，讓許多領域都開始大量使用它。以下是幾個常見的應用方向： 資料科學 ：隨著大數據與人工智慧興起，資料科學大量使用 Python。NumPy、Pandas 與 Matplotlib 等工具能處理和分析龐...
張貼留言
閱讀完整內容

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門

Python 從入門到 PyTorch 深度學習：開啟 AI 世界的大門 隨著人工智慧（AI）與深度學習（Deep Learning）快速發展，越來越多人對這些技術產生興趣。不論你是想踏入 AI 領域的初學者，還是已經有程式基礎的開發者，學好 Python 與深度學習框架（例如 PyTorch），都能為你打開更多可能。 為什麼選擇 Python？ Python 已經是資料科學與人工智慧領域的首選語言。它的語法簡潔、容易上手，而且擁有龐大的生態系與大量開源函式庫。無論是資料處理、資料視覺化，還是建立機器學習與深度學習模型，Python 都能勝任。對想進入 AI 或資料科學領域的人來說，它幾乎是必備工具。 PyTorch 是什麼？ PyTorch 是由 Meta（原 Facebook）AI 研究團隊開發的開源深度學習框架，以易用、靈活和動態計算圖著稱，是許多 AI 研究人員與開發者的首選。相較於其他框架，PyTorch 的寫法更貼近原生 Python，對初學者相對友善。無論是簡單的實驗，還是複雜的深度學習模型，PyTorch 都能提供強大的支援。 這個系列能帶給你什麼？ 這個系列會從 Python 的基礎開始，帶你一步一步學習，最後能自己用 PyTorch 建立深度學習模型。即使你完全沒有寫過程式，也能跟著文章的節奏累積技能，理解 AI 與深度學習的核心觀念。 本系列涵蓋的主題 Python 基礎：從變數、條件判斷到函式與模組。 資料處理工具：用 NumPy 與 Pandas 有效率地操作資料。 資料視覺化：用 Matplotlib 與 Seaborn 把資料畫成圖表。 深度學習的數學基礎：線性代數、微積分與機率。 PyTorch 入門：理解張量、模型建構與 GPU 加速。 基礎深度學習模型：CNN 與 RNN 的實作應用。 深度學習專案實戰：從資料前處理到模型部署的端到端流程。 誰適合這個系列？ 程式初學者 ：如果你對 AI 充滿好奇，卻還沒寫過程式，系列的第一部分會帶你快速上手 Python，並幫助你理解深度學習的基本觀念。 資料科學愛好者 ：如果你已經熟悉一些資料處理方法，進階部分會教你如何用 PyTorch 建構深度學習模型。 開發者與研究人員 ：想更深入了...
張貼留言
閱讀完整內容