深度學(xué)習(xí)框架的選型問題幾乎每個(gè)入門者都會(huì)遇到。TensorFlow 和 PyTorch 是當(dāng)下最常被放在一起對比的兩個(gè)名字但大多數(shù)人糾結(jié)的并不是“框架到底差在哪”而是“我現(xiàn)在該學(xué)哪個(gè)”。這個(gè)問題在 2026 年依然存在原因很簡單兩個(gè)框架經(jīng)過多年迭代都已經(jīng)不是單純的研究工具而是一整套圍繞數(shù)據(jù)處理、模型訓(xùn)練、模型導(dǎo)出和服務(wù)化部署的生態(tài)。選錯(cuò)方向的代價(jià)不是某個(gè) API 學(xué)不會(huì)而是學(xué)完框架后發(fā)現(xiàn)自己真正要解決的任務(wù)仍然沒有頭緒。這篇文章會(huì)先解釋兩個(gè)框架的設(shè)計(jì)差異再按“學(xué)習(xí)、科研、部署”等場景給出選型判斷方式然后以 PyTorch 為主線從環(huán)境搭建、張量和自動(dòng)求導(dǎo)機(jī)制到一個(gè)可以運(yùn)行的 CNN 手寫數(shù)字識別項(xiàng)目最后整理訓(xùn)練過程中最常見的報(bào)錯(cuò)和排查鏈路。讀完以后你至少能回答三個(gè)問題為什么社區(qū)普遍推薦入門先學(xué) PyTorchPyTorch 的核心代碼是怎么串起來的訓(xùn)練出現(xiàn)問題時(shí)應(yīng)該按什么順序去查。1. 先搞清楚兩個(gè)框架的設(shè)計(jì)差異再談選哪個(gè)選框架之前先理解兩個(gè)框架各自從什么起點(diǎn)出發(fā)?？蚣艿钠瘘c(diǎn)決定了它的 API 風(fēng)格、調(diào)試方式和部署鏈路也決定了它更適合哪一類人。1.1 TensorFlow 的起點(diǎn)是“端到端生產(chǎn)流水線”TensorFlow 的設(shè)計(jì)初衷是構(gòu)建一套完整的機(jī)器學(xué)習(xí)平臺(tái)而不是單純給研究者使用的算法庫。它早期的核心概念是計(jì)算圖先用 Python 定義一張靜態(tài)圖再在會(huì)話Session中執(zhí)行。這種“先構(gòu)圖后執(zhí)行”的方式利于分布式優(yōu)化、模型編譯和部署但對初學(xué)者不友好。TensorFlow 2.x 之后官方把 Keras 作為首選高層 API默認(rèn)使用動(dòng)態(tài)圖執(zhí)行模式Eager Execution同時(shí)仍然保留 Serving、Lite、JS 等一整套生產(chǎn)部署組件。也就是說TensorFlow 的強(qiáng)項(xiàng)不在“寫起來順手”而在“從訓(xùn)練到部署的鏈路完整”。如果你所在團(tuán)隊(duì)已經(jīng)有 TF Serving 或 TFLite 的體系繼續(xù)使用 TensorFlow 是合理的。1.2 PyTorch 的起點(diǎn)是“Python 原生的動(dòng)態(tài)圖”PyTorch 的設(shè)計(jì)思路是“define by run”也就是在運(yùn)行過程中動(dòng)態(tài)構(gòu)建計(jì)算圖。它沒有獨(dú)立的 Session 概念前向傳播執(zhí)行到什么位置計(jì)算圖就記錄到什么位置。這樣做的好處非常直接可以用 Python 原生的 if、for 和 print 來調(diào)試模型。斷點(diǎn)可以打在任意一行變量值可以直接查看。自定義復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)和訓(xùn)練邏輯時(shí)限制更少。研究和實(shí)驗(yàn)場景需要頻繁改結(jié)構(gòu)PyTorch 的迭代速度更快。PyTorch 的核心模塊包括torch.Tensor張量、torch.autograd自動(dòng)求導(dǎo)、torch.nn網(wǎng)絡(luò)層、torch.optim優(yōu)化器和torch.utils.data數(shù)據(jù)加載。這些模塊之間的關(guān)系可以用一句話概括數(shù)據(jù)通過DataLoader進(jìn)入模型張量在前向傳播過程中被記錄到計(jì)算圖損失函數(shù)計(jì)算出誤差backward()自動(dòng)算出梯度優(yōu)化器再更新參數(shù)。1.3 2026 年的生態(tài)位置研究以 PyTorch 為主生產(chǎn)鏈路兩者并存從近年公開論文、開源模型和社區(qū)資料看PyTorch 已經(jīng)成為學(xué)術(shù)研究和開源模型的首選框架之一Hugging Face 生態(tài)、大量預(yù)訓(xùn)練模型、Transformer 相關(guān)實(shí)現(xiàn)都優(yōu)先提供 PyTorch 版本。TensorFlow 并沒有消失它仍然存在于大量工業(yè)系統(tǒng)和移動(dòng)端場景中特別是在存量項(xiàng)目中遷移成本很高。下面用一張表把兩個(gè)框架的設(shè)計(jì)差異列清楚。對比維度TensorFlowPyTorch設(shè)計(jì)起點(diǎn)端到端生產(chǎn)平臺(tái)Python 原生動(dòng)態(tài)圖默認(rèn)執(zhí)行方式Eager Execution底子仍是圖編譯define by run 動(dòng)態(tài)建圖API 風(fēng)格高層推薦 Keras多層抽象torch.nn 模塊化接近 Python 習(xí)慣調(diào)試體驗(yàn)相對繞需要理解層和回調(diào)機(jī)制斷點(diǎn)直觀打印變量方便生產(chǎn)部署TF Serving、TFLite、TF.js 完整TorchServe、ONNX、TorchScript主流使用人群工業(yè)落地、移動(dòng)端、存量系統(tǒng)科研、算法崗、大模型開源生態(tài)入門學(xué)習(xí)成本中等偏高相對低這里要注意選擇框架并不是“哪個(gè)贏了就學(xué)哪個(gè)”。更準(zhǔn)確的做法是先判斷你的目標(biāo)場景屬于哪一類再選擇對應(yīng)框架。下面按場景拆開看。2. 按場景選型把“學(xué)習(xí)、科研和部署”分開判斷2.1 入門學(xué)習(xí)優(yōu)先看調(diào)試體驗(yàn)和資料完整度對剛接觸深度學(xué)習(xí)的人來說最重要的不是框架功能是否全面而是“出問題時(shí)能不能快速定位”。PyTorch 的代碼執(zhí)行順序和 Python 程序一致模型前向傳播就是普通函數(shù)調(diào)用因此新手可以用最基礎(chǔ)的 Python 調(diào)試方式去理解網(wǎng)絡(luò)執(zhí)行過程。比如在一個(gè)卷積層后面打印張量形狀看看尺寸是不是符合預(yù)期這種操作在 PyTorch 里非常簡單import torch import torch.nn as nn layer nn.Conv2d(in_channels3, out_channels16, kernel_size3, padding1) x torch.randn(1, 3, 32, 32) y layer(x) print(y.shape) # torch.Size([1, 16, 32, 32])這段代碼演示了 PyTorch 調(diào)試友好的核心原因每個(gè)層都是可獨(dú)立調(diào)用的對象輸入輸出形狀可以直接驗(yàn)證。2.2 科研與算法開發(fā)動(dòng)態(tài)圖在高自由度場景更有優(yōu)勢科研場景經(jīng)常需要修改網(wǎng)絡(luò)結(jié)構(gòu)、實(shí)驗(yàn)新的損失函數(shù)、實(shí)現(xiàn)論文里的特殊算子。PyTorch 的動(dòng)態(tài)圖天然支持這種自由度。舉一個(gè)實(shí)際例子如果某個(gè)網(wǎng)絡(luò)分支需要使用隨機(jī)的 Dropout 比例或者需要根據(jù)中間結(jié)果決定是否走某個(gè)子網(wǎng)絡(luò)PyTorch 可以直接用 Python 條件判斷實(shí)現(xiàn)。import torch import torch.nn.functional as F class DynamicNet(nn.Module): def forward(self, x): x F.relu(self.layer1(x)) if x.mean() 0.5: x self.layer2(x) else: x self.layer3(x) return x這種寫法在 TensorFlow 中也不是完全做不到但動(dòng)態(tài)圖的表達(dá)方式更接近算法設(shè)計(jì)者的原始思路。這也是為什么大量論文復(fù)現(xiàn)代碼選擇 PyTorch。2.3 工業(yè)部署TensorFlow 存量鏈路仍不可忽視如果你所在公司或團(tuán)隊(duì)已經(jīng)有基于 TensorFlow 的模型服務(wù)、數(shù)據(jù)管道和監(jiān)控體系那么直接切換框架的代價(jià)遠(yuǎn)高于框架本身的優(yōu)劣。此時(shí)應(yīng)該優(yōu)先考慮團(tuán)隊(duì)已有的技術(shù)棧。另外移動(dòng)端和嵌入式場景中 TFLite 依然有大量使用案例。PyTorch 也有對應(yīng)的移動(dòng)端方案但如果你需要快速接入一個(gè)已有的 TFLite 推理鏈路用 TensorFlow 會(huì)更省事。2.4 課程、團(tuán)隊(duì)和硬件約束會(huì)優(yōu)先于主觀偏好選型還有一個(gè)很現(xiàn)實(shí)的因素你當(dāng)前要上的課程、要復(fù)現(xiàn)的項(xiàng)目、要進(jìn)入的團(tuán)隊(duì)可能已經(jīng)指定了框架。這是最高優(yōu)先級約束。比如課程作業(yè)全部用 PyTorch 寫或者要復(fù)現(xiàn)的 GitHub 項(xiàng)目只提供 PyTorch 版本那就直接學(xué) PyTorch。反過來如果公司內(nèi)部算法系統(tǒng)全部基于 TensorFlow 2.x那就先學(xué) TensorFlow 和 Keras。抱著“我一定要選一個(gè)更好的框架”的心態(tài)反而會(huì)拖慢學(xué)習(xí)進(jìn)度。場景推薦傾向原因自學(xué)入門深度學(xué)習(xí)PyTorch調(diào)試直觀、資料多、生態(tài)活躍論文復(fù)現(xiàn)和算法實(shí)驗(yàn)PyTorch動(dòng)態(tài)圖自由度高、社區(qū)主流工業(yè)存量系統(tǒng)維護(hù)TensorFlow部署鏈路成熟、遷移成本高移動(dòng)端和嵌入式原型兩者都可看存量TFLite 生態(tài)完善PyTorch Mobile 也可用課程和團(tuán)隊(duì)指定以指定框架為準(zhǔn)環(huán)境一致性能降低溝通成本3. PyTorch 環(huán)境搭建從虛擬環(huán)境到 GPU 驗(yàn)證無論選哪個(gè)框架環(huán)境搭建都是第一道檻。很多人卡在“明明安裝了 PyTorch但torch.cuda.is_available()返回 False”這類問題上。下面按標(biāo)準(zhǔn)流程來。3.1 先創(chuàng)建獨(dú)立虛擬環(huán)境避免污染全局 Python強(qiáng)烈建議不要直接在系統(tǒng) Python 里安裝深度學(xué)習(xí)庫。項(xiàng)目多了以后依賴版本互相沖突會(huì)非常痛苦。使用 conda 或 venv 創(chuàng)建獨(dú)立環(huán)境是工程化項(xiàng)目的基本習(xí)慣。conda create -n pytorch python3.10 conda activate pytorch如果不想用 conda也可以用 Python 自帶的 venvpython3 -m venv pytorch-env source pytorch-env/bin/activate這里選擇 Python 3.10 是相對穩(wěn)妥的版本。實(shí)際安裝前去 PyTorch 官網(wǎng)確認(rèn)當(dāng)前穩(wěn)定版支持的 Python 版本避免安裝后import torch直接報(bào)錯(cuò)。3.2 CPU 和 GPU 版本分別怎么裝CPU 版本安裝最簡單適合先跑通代碼邏輯pip install torch torchvision torchaudioGPU 版本需要注意顯卡驅(qū)動(dòng)和 CUDA 版本的匹配。先查看系統(tǒng)狀態(tài)nvidia-sminvidia-smi頂部會(huì)顯示 NVIDIA 驅(qū)動(dòng)版本和驅(qū)動(dòng)支持的最高 CUDA 版本。PyTorch 安裝命令里指定的是 PyTorch 自帶的 CUDA 運(yùn)行時(shí)版本它不一定需要和驅(qū)動(dòng)支持的最高版本一致但最好不要超過驅(qū)動(dòng)支持范圍。以 CUDA 12.1 為例安裝命令是pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121如果機(jī)器上沒有獨(dú)立 NVIDIA GPU只安裝 CPU 版本即可。PyTorch 的 GPU 安裝包內(nèi)部已經(jīng)包含運(yùn)行時(shí)依賴通常不需要單獨(dú)安裝完整的 CUDA Toolkit但需要確保 NVIDIA 驅(qū)動(dòng)存在且版本足夠新。注意PyTorch 安裝命令會(huì)隨版本更新變化。落地前到 PyTorch 官網(wǎng)的 Get Started 頁面復(fù)制當(dāng)前推薦命令不要照搬過時(shí)博客里的固定鏈接。3.3 安裝后必須執(zhí)行的三行驗(yàn)證安裝完成不代表環(huán)境可用。執(zhí)行下面三行命令確認(rèn)python -c import torch; print(torch.__version__) python -c import torch; print(torch.cuda.is_available()) python -c import torch; print(torch.cuda.get_device_name(0))預(yù)期結(jié)果第一行輸出類似2.5.1或更高版本號。第二行在 GPU 環(huán)境輸出TrueCPU 環(huán)境輸出False。第三行輸出顯卡名稱例如NVIDIA GeForce RTX 4060 Laptop GPU。如果第二行輸出False但機(jī)器有 NVIDIA 顯卡說明安裝的可能是 CPU 版本或者驅(qū)動(dòng)版本過低需要按下一節(jié)的排查鏈路處理。3.4 環(huán)境安裝的高頻坑和檢查方法問題現(xiàn)象常見原因檢查方式處理建議import torch報(bào)No module named安裝在錯(cuò)誤環(huán)境或當(dāng)前虛擬環(huán)境未激活which python、pip list確認(rèn)虛擬環(huán)境已激活后重裝torch.cuda.is_available()返回 False裝成 CPU 版或驅(qū)動(dòng)過舊pip list看 torch 版本運(yùn)行nvidia-smi卸載后用--index-url指定 CUDA 版本重裝GPU 顯存不足顯卡顯存小或 batch_size 太大nvidia-smi看顯存占用調(diào)小 batch_size或降低輸入分辨率torch 和 torchvision 版本不匹配分別安裝導(dǎo)致版本沖突pip list檢查兩者版本使用一條命令同時(shí)安裝避免分開裝安裝后系統(tǒng) Python 被污染沒有使用虛擬環(huán)境pip list看到大量無關(guān)包重建虛擬環(huán)境重新安裝依賴這里值得單獨(dú)強(qiáng)調(diào)不要同時(shí)混用 conda install 和 pip install 來裝 PyTorch 相關(guān)組件?；煊每赡茉斐蓛蓚€(gè)包的版本來自不同渠道互相覆蓋依賴庫最終出現(xiàn)難以定位的問題。4. 理解 PyTorch 的三大核心機(jī)制張量、自動(dòng)求導(dǎo)、數(shù)據(jù)加載環(huán)境搭好后不急著跑大型模型。先理解 PyTorch 的三個(gè)核心機(jī)制它們是所有后續(xù)代碼的基礎(chǔ)。4.1 張量 Tensor深度學(xué)習(xí)里最基本的“數(shù)據(jù)容器”張量可以簡單理解為“支持 GPU 計(jì)算和自動(dòng)求導(dǎo)的多維數(shù)組”它在概念上接近 NumPy 的ndarray但多出device設(shè)備和requires_grad是否需要梯度兩個(gè)重要屬性。import torch a torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]]) b torch.zeros(2, 3) c torch.randn(4, 16) print(a.shape) # torch.Size([2, 3]) print(b.dtype) # torch.float32 print(c.device) # cpu常用操作tensor.reshape(...)改變張量形狀。tensor.transpose(0, 1)交換維度。torch.cat([a, b], dim0)拼接張量。tensor.unsqueeze(0)和tensor.squeeze(0)增加和移除維度。torch.matmul(a, b)矩陣乘法全連接層的核心計(jì)算。理解張量形狀非常重要。模型報(bào)錯(cuò)里最頻繁的一種就是維度不匹配比如輸入圖片是[batch, height, width, channel]但模型期望[batch, channel, height, width]。PyTorch 默認(rèn)圖片張量格式是[N, C, H, W]也就是通道在第二維這和很多傳統(tǒng)圖像處理庫不同剛接觸時(shí)容易踩坑。4.2 自動(dòng)求導(dǎo) autograd反向傳播到底在算什么深度學(xué)習(xí)訓(xùn)練的核心是“利用梯度更新參數(shù)”。手動(dòng)推導(dǎo)梯度公式對復(fù)雜網(wǎng)絡(luò)幾乎不可行PyTorch 的自動(dòng)求導(dǎo)機(jī)制會(huì)在前向傳播時(shí)記錄計(jì)算圖在調(diào)用backward()時(shí)自動(dòng)計(jì)算梯度。x torch.tensor([2.0], requires_gradTrue) y x ** 2 3 * x y.backward() print(x.grad) # tensor([7.0])當(dāng)x 2.0時(shí)y x^2 3x的導(dǎo)數(shù)是2x 3 7backward()之后梯度被寫入x.grad。這就是反向傳播的最小示例。實(shí)際模型訓(xùn)練時(shí)參數(shù)張量的requires_grad默認(rèn)是 True因此不需要手動(dòng)設(shè)置。但推理階段要避免梯度記錄一可以省內(nèi)存二可以防止誤改計(jì)算圖所以需要加torch.no_grad()with torch.no_grad(): outputs model(images)新手常見的錯(cuò)誤是在驗(yàn)證和測試階段沒有寫torch.no_grad()導(dǎo)致顯存占用異?；蛘吣Ｐ驮阱e(cuò)誤的地方被訓(xùn)練。后面會(huì)專門再提這個(gè)坑。4.3 Dataset 和 DataLoader把數(shù)據(jù)卷進(jìn)訓(xùn)練流程的入口PyTorch 使用Dataset表示數(shù)據(jù)集使用DataLoader按批次加載數(shù)據(jù)。自定義數(shù)據(jù)集時(shí)只需要繼承Dataset并實(shí)現(xiàn)三個(gè)方法。from torch.utils.data import Dataset, DataLoader class MyDataset(Dataset): def __init__(self, data, labels): self.data data self.labels labels def __len__(self): return len(self.data) def __getitem__(self, idx): return self.data[idx], self.labels[idx]dataset MyDataset(data_list, label_list) loader DataLoader(dataset, batch_size32, shuffleTrue, num_workers2)batch_size控制每批次樣本數(shù)shuffleTrue在每個(gè) epoch 開始時(shí)打亂數(shù)據(jù)順序這能避免模型學(xué)習(xí)到數(shù)據(jù)的固定順序?qū)τ?xùn)練效果有明顯影響。num_workers控制讀取數(shù)據(jù)的子進(jìn)程數(shù)在本地小數(shù)據(jù)集上可以設(shè)為 0在大型數(shù)據(jù)集上再調(diào)大。5. 2 小時(shí)速通路徑用 CNN 跑通手寫數(shù)字識別理論看得再多不如跑一個(gè)完整項(xiàng)目。這里以 MNIST 手寫數(shù)字識別為例走一遍“數(shù)據(jù)處理、模型定義、訓(xùn)練、驗(yàn)證”的完整閉環(huán)。這個(gè)案例能在普通 CPU 電腦上在幾分鐘內(nèi)跑完適合作為第一個(gè)練手項(xiàng)目。5.1 任務(wù)拆解從數(shù)據(jù)到模型再到訓(xùn)練完整閉環(huán)要哪些環(huán)節(jié)MNIST 是 28x28 的灰度手寫數(shù)字圖片共 10 個(gè)類別0 到 9訓(xùn)練集 60000 張測試集 10000 張。任務(wù)目標(biāo)是根據(jù)像素信息判斷圖片里的數(shù)字。完整流程包含四個(gè)環(huán)節(jié)數(shù)據(jù)獲取和預(yù)處理下載 MNIST轉(zhuǎn)成張量做歸一化。模型構(gòu)建用卷積層提取局部特征用全連接層做分類。訓(xùn)練計(jì)算損失、反向傳播、更新參數(shù)。驗(yàn)證在測試集上計(jì)算準(zhǔn)確率。5.2 定義模型卷積、激活、池化、全連接的配合一個(gè)經(jīng)典的 CNN 結(jié)構(gòu)由“卷積、激活、池化、全連接”四類組件組合而成。卷積層nn.Conv2d用卷積核提取局部特征。關(guān)鍵參數(shù)是in_channels、out_channels、kernel_size、padding。激活函數(shù)nn.ReLU給網(wǎng)絡(luò)引入非線性否則多層線性疊加仍然等價(jià)于單層。池化層nn.MaxPool2d在局部窗口內(nèi)取最大值縮小特征圖尺寸減少計(jì)算量同時(shí)讓特征對輕微位移變得更不敏感。全連接層nn.Linear把高維特征映射到類別得分。下面定義一個(gè)適用于 MNIST 的簡單 CNNimport torch import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 32, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, kernel_size3, padding1), nn.ReLU(), nn.MaxPool2d(2), ) self.classifier nn.Sequential( nn.Flatten(), nn.Linear(64 * 7 * 7, 128), nn.ReLU(), nn.Linear(128, 10), ) def forward(self, x): x self.features(x) x self.classifier(x) return x逐層分析維度變化。輸入是[batch, 1, 28, 28]層輸出形狀說明Conv2d(1, 32, 3, padding1)[batch, 32, 28, 28]padding 保持尺寸不變ReLU[batch, 32, 28, 28]激活不改變形狀MaxPool2d(2)[batch, 32, 14, 14]長寬各減半Conv2d(32, 64, 3, padding1)[batch, 64, 14, 14]通道數(shù)翻倍MaxPool2d(2)[batch, 64, 7, 7]長寬再次減半Flatten[batch, 64*7*7]展平成向量Linear(6477, 128)[batch, 128]全連接Linear(128, 10)[batch, 10]輸出 10 個(gè)類別的得分nn.MaxPool2d(2)就是池化的典型實(shí)現(xiàn)。它把 2x2 窗口內(nèi)的最大值作為輸出相當(dāng)于把特征圖縮小到原來的四分之一。池化在早期 CNN 中承擔(dān)了“降采樣 增強(qiáng)局部不變性 控制計(jì)算量”的角色。現(xiàn)在很多新網(wǎng)絡(luò)用步長大于 1 的卷積代替池化但理解池化仍然是理解圖像特征提取的基礎(chǔ)。5.3 訓(xùn)練循環(huán)損失、反向傳播和參數(shù)更新怎么串聯(lián)訓(xùn)練循環(huán)包括數(shù)據(jù)加載、模型初始化、損失函數(shù)、優(yōu)化器和多輪迭代。import torch.optim as optim import torchvision import torchvision.transforms as transforms from torch.utils.data import DataLoader transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset torchvision.datasets.MNIST( root./data, trainTrue, transformtransform, downloadTrue ) test_dataset torchvision.datasets.MNIST( root./data, trainFalse, transformtransform, downloadTrue ) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size256, shuffleFalse) model SimpleCNN() criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001)def train_one_epoch(epoch): model.train() total_loss 0.0 correct 0 total 0 for images, labels in train_loader: optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() total_loss loss.item() * images.size(0) _, predicted outputs.max(1) total labels.size(0) correct predicted.eq(labels).sum().item() avg_loss total_loss / len(train_loader.dataset) accuracy 100.0 * correct / total print(fEpoch {epoch}: loss{avg_loss:.4f}, accuracy{accuracy:.2f}%)訓(xùn)練循環(huán)里有三個(gè)關(guān)鍵點(diǎn)每個(gè)新手都要理解optimizer.zero_grad()清空上一個(gè)批次留下的梯度。如果不調(diào)用梯度會(huì)累加導(dǎo)致參數(shù)更新方向和幅度完全錯(cuò)誤。loss.backward()計(jì)算當(dāng)前批次所有參數(shù)的梯度。optimizer.step()用梯度更新一次參數(shù)。MNIST 數(shù)據(jù)量小在 CPU 上跑 3 個(gè) epoch 也不會(huì)太久。這里設(shè)置epochs 3足夠看到明顯效果。for epoch in range(1, 4): train_one_epoch(epoch)5.4 驗(yàn)證和運(yùn)行結(jié)果怎樣判斷訓(xùn)練真的成功訓(xùn)練結(jié)束后在測試集上做一次完整驗(yàn)證def evaluate(): model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in test_loader: outputs model(images) _, predicted outputs.max(1) total labels.size(0) correct predicted.eq(labels).sum().item() print(fTest accuracy: {100.0 * correct / total:.2f}%) evaluate()正常訓(xùn)練 3 個(gè) epoch 后測試準(zhǔn)確率應(yīng)該在 98% 以上。判斷訓(xùn)練真正成功的標(biāo)準(zhǔn)不是“程序不報(bào)錯(cuò)”而是訓(xùn)練 loss 逐步下降而不是跳躍或者不動(dòng)。訓(xùn)練準(zhǔn)確率逐步上升。測試準(zhǔn)確率接近訓(xùn)練準(zhǔn)確率而不是遠(yuǎn)低于訓(xùn)練準(zhǔn)確率。如果測試準(zhǔn)確率明顯低于訓(xùn)練準(zhǔn)確率說明模型過擬合也就是模型記住了訓(xùn)練集的特征但沒有學(xué)會(huì)泛化。這是后面要專門處理的問題。注意驗(yàn)證和測試階段必須調(diào)用model.eval()并啟用torch.no_grad()。model.eval()會(huì)切換 BatchNorm 和 Dropout 等層的工作模式torch.no_grad()會(huì)停止梯度記錄減少內(nèi)存消耗并避免參數(shù)被誤更新。6. 從報(bào)錯(cuò)到結(jié)果異常訓(xùn)練問題的排查鏈路訓(xùn)練深度學(xué)習(xí)模型時(shí)報(bào)錯(cuò)和結(jié)果異常是常態(tài)。不要一看到紅色日志就慌按層次排查會(huì)快很多。整體優(yōu)先級是環(huán)境 - 數(shù)據(jù) - 模型代碼 - 超參數(shù) - 資源占用。6.1 環(huán)境類問題先查 Python 版本、驅(qū)動(dòng)和 CUDA 是否匹配環(huán)境問題最突出的表現(xiàn)是安裝時(shí)一切正常一跑就報(bào)錯(cuò)。常見的錯(cuò)誤信息和處理方式如下。錯(cuò)誤現(xiàn)象可能原因檢查方式解決建議No module named torch虛擬環(huán)境未激活或裝到了別的環(huán)境which python、pip show torch激活正確環(huán)境后重裝RuntimeError: Found no NVIDIA driver驅(qū)動(dòng)未安裝或版本過舊nvidia-smi更新 NVIDIA 驅(qū)動(dòng)AssertionError: Torch not compiled with CUDA enabled安裝的是 CPU 版 PyTorchtorch.version.cuda是否為 None用 GPU 版安裝命令重裝CUDA out of memory顯存不足nvidia-smi查看占用減小 batch_size減小圖片尺寸或使用梯度累積torchvision版本和torch不匹配分開安裝導(dǎo)致版本錯(cuò)開pip list查看兩個(gè)版本卸載后一條命令同時(shí)安裝環(huán)境問題有一個(gè)通用原則先確認(rèn)環(huán)境再懷疑代碼。多數(shù)環(huán)境問題通過「查看當(dāng)前 Python 路徑、查看包版本、查看驅(qū)動(dòng)狀態(tài)」三步就能定位。6.2 訓(xùn)練不收斂按“數(shù)據(jù)、模型、超參數(shù)”三層排查訓(xùn)練不收斂的典型表現(xiàn)是 loss 不下降、波動(dòng)很大或者準(zhǔn)確率一直停留在隨機(jī)水平。按下面順序排查。先檢查數(shù)據(jù)數(shù)據(jù)是否做了歸一化圖像數(shù)據(jù)不歸一化時(shí)輸入范圍差異過大會(huì)影響梯度穩(wěn)定性。標(biāo)簽是否正確分類任務(wù)的標(biāo)簽應(yīng)該是[0, 1, 2, ..., 9]這樣的整數(shù)不是 one-hot 編碼因?yàn)閚n.CrossEntropyLoss內(nèi)部會(huì)自動(dòng)處理。DataLoader是否設(shè)置了shuffleTrue不 shuffle 時(shí)模型會(huì)學(xué)到數(shù)據(jù)的固定順序影響收斂。再檢查模型最后一層輸出維度是否等于類別數(shù)多分類任務(wù)是否用了nn.CrossEntropyLoss如果用了nn.BCELoss模型結(jié)構(gòu)必須完全不同。是否有model.train()和model.eval()的錯(cuò)誤切換驗(yàn)證階段誤開訓(xùn)練模式會(huì)導(dǎo)致 BatchNorm 統(tǒng)計(jì)量被污染。最后檢查超參數(shù)學(xué)習(xí)率太高loss 會(huì)震蕩甚至變?yōu)?NaN。學(xué)習(xí)率太低loss 下降極其緩慢。batch_size 過小梯度噪聲大收斂不穩(wěn)定。優(yōu)化器選錯(cuò)分類任務(wù)優(yōu)先用 Adam 或 SGD 帶動(dòng)量。給出一個(gè)最小修正示例當(dāng) loss 一直是2.3026左右不動(dòng)時(shí)這個(gè)值對應(yīng)的就是 10 分類的均勻概率分布 loss-ln(1/10)。它說明模型學(xué)到的輸出幾乎是均勻的最可能的原因是學(xué)習(xí)率太低、數(shù)據(jù)沒歸一化或者模型輸出和標(biāo)簽之間沒有正確對齊。6.3 顯存不足、訓(xùn)練緩慢和隨機(jī)性問題顯存不足的常規(guī)做法是調(diào)小batch_size。但有些情況下業(yè)務(wù)必須用較大的 batch 才能穩(wěn)定訓(xùn)練這時(shí)可以用梯度累積模擬大 batchaccumulation_steps 4 optimizer.zero_grad() for step, (images, labels) in enumerate(train_loader): outputs model(images) loss criterion(outputs, labels) loss loss / accumulation_steps loss.backward() if (step 1) % accumulation_steps 0: optimizer.step() optimizer.zero_grad()梯度累積的意思是先做 4 次前向和反向累加梯度再更新一次參數(shù)效果近似于 batch 變大 4 倍但顯存占用只增加很少。訓(xùn)練緩慢需要從兩個(gè)方向看。一是確實(shí)沒有 GPU圖像任務(wù)在 CPU 上訓(xùn)練很慢這不是代碼問題二是有 GPU 但沒用到此時(shí)檢查torch.cuda.is_available()和模型、數(shù)據(jù)是否被移到了 GPU。device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) for images, labels in train_loader: images images.to(device) labels labels.to(device)隨機(jī)性問題對新手不明顯。Python 和 PyTorch 的隨機(jī)數(shù)會(huì)導(dǎo)致每次運(yùn)行結(jié)果不完全一致。復(fù)現(xiàn)實(shí)驗(yàn)時(shí)固定隨機(jī)種子很有必要import random import numpy as np import torch def set_seed(seed): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) if torch.cuda.is_available(): torch.cuda.manual_seed_all(seed)7. 最佳實(shí)踐從速通到能真正落地7.1 學(xué)習(xí)環(huán)境與生產(chǎn)環(huán)境的差異越早意識到越好學(xué)習(xí)階段跑通一個(gè) MNIST 項(xiàng)目和生產(chǎn)環(huán)境的完整流程之間還有很大距離。下面把差異列出來幫你建立“實(shí)驗(yàn)代碼”和“工程代碼”的邊界。維度學(xué)習(xí)環(huán)境生產(chǎn)環(huán)境數(shù)據(jù)加載本地小數(shù)據(jù)集直接下載分布式存儲(chǔ)、數(shù)據(jù)校驗(yàn)、版本管理配置管理寫死在腳本里使用 YAML 或環(huán)境變量外置配置日志print 輸出結(jié)構(gòu)化日志記錄 loss、指標(biāo)、異常模型保存torch.save(model.state_dict(), model.pth)保存模型、優(yōu)化器狀態(tài)、epoch、超參數(shù)等完整 checkpoint推理部署在訓(xùn)練腳本里直接調(diào)用導(dǎo)出 ONNX 或 TorchScript走服務(wù)化接口監(jiān)控?zé)o顯存、GPU 利用率、推理延遲、錯(cuò)誤率監(jiān)控回滾無多版本模型管理、灰度發(fā)布模型保存本身也值得注意。學(xué)習(xí)階段可以只保存權(quán)重但生產(chǎn)環(huán)境建議保存完整 checkpointcheckpoint { model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), epoch: epoch, best_acc: best_acc, } torch.save(checkpoint, checkpoint.pth)恢復(fù)訓(xùn)練時(shí)再逐一加載避免訓(xùn)到一半斷掉后無法繼續(xù)。發(fā)布前可以按下面這個(gè)清單檢查一遍虛擬環(huán)境已激活Python 版本和依賴版本有記錄文件requirements.txt或environment.yml。torch、torchvision版本匹配GPU 環(huán)境torch.cuda.is_available()返回 True。用最小數(shù)據(jù)跑通一次完整訓(xùn)練循環(huán)。訓(xùn)練過程中觀察 loss 是否正常下降。測試集準(zhǔn)確率與訓(xùn)練集沒有明顯差距。模型保存和恢復(fù)反復(fù)驗(yàn)證過。驗(yàn)證和推理階段沒有忘寫model.eval()和torch.no_grad()。隨機(jī)種子已固定實(shí)驗(yàn)結(jié)果可復(fù)現(xiàn)。7.2 學(xué)完 PyTorch 后的下一步擴(kuò)展路徑跑通 CNN 后你已經(jīng)掌握了 PyTorch 最基本的“數(shù)據(jù)、模型、訓(xùn)練、驗(yàn)證”閉環(huán)。下一步可以按自己的方向擴(kuò)展換更復(fù)雜的數(shù)據(jù)集。把 MNIST 換成 CIFAR-10 或自己的圖片分類數(shù)據(jù)會(huì)接觸到真實(shí)數(shù)據(jù)的歸一化、劃分、增強(qiáng)等問題。學(xué)習(xí)遷移學(xué)習(xí)。使用torchvision.models里的預(yù)訓(xùn)練模型做微調(diào)這是實(shí)際項(xiàng)目中最常用的做法不需要每次從頭訓(xùn)練。深入 Transformer。當(dāng)前大模型生態(tài)集中在 Transformer 架構(gòu)PyTorch 的nn.Transformer和 Hugging Facetransformers庫是必學(xué)方向。學(xué)習(xí)模型導(dǎo)出和部署。把訓(xùn)練好的模型導(dǎo)出為 ONNX再用 ONNX Runtime 或 TorchServe 提供服務(wù)化能力。了解分布式訓(xùn)練。數(shù)據(jù)并行DistributedDataParallel是單機(jī)多卡訓(xùn)練的基礎(chǔ)模型規(guī)模變大后繞不開?；氐阶畛醯倪x型問題。如果你的目標(biāo)是快速入門深度學(xué)習(xí)、理解算法原理、跟上主流開源模型生態(tài)優(yōu)先學(xué) PyTorch如果你的團(tuán)隊(duì)或課程已經(jīng)綁定 TensorFlow那就認(rèn)真學(xué) TensorFlow 和 Keras不要在框架切換上浪費(fèi)精力。框架只是工具真正有價(jià)值的是你從數(shù)據(jù)中發(fā)現(xiàn)問題、用模型解決問題的判斷力。先把一個(gè)完整項(xiàng)目跑通再回來重新理解框架差異會(huì)比只看對比文章有效得多。