PyTorch2 Python深度学习视频教程-简介以及入门

大家好，我是python222_锋哥，最近更新 PyTorch2 Python深度学习视频教程系列课程，感谢大家支持。

B站连载更新地址：

https://www.bilibili.com/video/BV1eqxNzXEYc/

基于前面的机器学习Scikit-learn，深度学习Tensorflow2课程，我们继续讲解深度学习PyTorch2，所以有些机器学习，深度学习基本概念就不再重复讲解，大家务必学习好前面两个课程。本课程主要讲解基于PyTorch2的深度学习核心知识，主要讲解包括PyTorch2框架入门知识，环境搭建，张量，自动微分，数据加载与预处理，模型训练与优化，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。
点击下方公众号【Python222】小卡片，
回复：888，
👇👇 即可获取锋哥Python视频打包下载 👇👇

👆👆👆点击上方小卡片
回复「888」即可

PyTorch2 简介

PyTorch 2 是由 Meta（原 Facebook）AI 团队 于 2023 年正式推出的深度学习框架新版本，是经典 PyTorch 的重大升级。它在保持 易用性和灵活性 的基础上，通过引入一系列新的编译和优化技术，实现了 高性能计算、自动加速与高效部署 的统一。PyTorch 2 代表了从传统动态图框架向 动态图 + 编译优化混合架构 的进化。PyTorch最新版本 2.9。

pytorch官网：https://pytorch.org/

学习指南：https://docs.pytorch.org/tutorials/beginner/basics/quickstart_tutorial.htmlAPI文档：https://docs.pytorch.org/docs/stable/pytorch-api.html

一、PyTorch 2 的核心理念

PyTorch 一直以“Pythonic、灵活、易调试”著称，深受研究者和开发者欢迎。而 PyTorch 2 的目标是：

“让你的模型在不修改一行代码的情况下，跑得更快、更高效。”

为此，PyTorch 2 引入了新的 编译栈（TorchDynamo、AOTAutograd、TorchInductor），实现对 Python 代码的 图捕获、自动优化与硬件级编译。

二、主要创新特性

1. TorchDynamo：动态图编译核心

• TorchDynamo 是一个动态跟踪器，能在运行时捕获 Python 模型的执行图，并将其转化为可优化的中间表示（IR）。

• 它的最大优势在于：用户无需修改原始 PyTorch 代码，通过简单调用 torch.compile() 即可触发编译。

• 示例：

  pythonmodel = torch.compile(model)
  output = model(input)

  这样模型会自动使用 TorchInductor 编译执行，速度通常可提升30%~200%。

2. AOTAutograd（Ahead-of-Time Autograd）

• 对自动微分机制进行了重构，使得反向传播过程也能被提前捕获并优化。

• 减少了重复计算和冗余内存开销，大幅提升训练效率。

3. TorchInductor：新一代深度编译器

• TorchInductor 将高层计算图编译成底层高效的内核代码，支持 CPU、GPU（CUDA） 等多种硬件。

• GPU 端基于 Triton 内核语言，可生成比手写 CUDA 更高效的代码。

4. 更好的多设备与分布式支持

• PyTorch 2 优化了 DistributedDataParallel (DDP)、FSDP（Fully Sharded Data Parallel） 等分布式训练接口。

• 支持更高效的多 GPU、跨节点大模型训练。

5. TorchExport 与 TorchDynamo 配合部署

• PyTorch 2 进一步简化了模型从训练到部署的路径，结合 TorchScript / TorchServe / ONNX Runtime，可实现灵活部署到云端或边缘设备。

三、PyTorch 2 的体系架构

PyTorch 2 的核心架构分为三层：

1. 前端（Frontend）用户级 API，包括 torch, torch.nn, torch.optim, torch.utils.data 等。

• 提供模型定义、损失函数、优化器与数据加载接口。

2. 中间层（Compiler Stack）

• TorchDynamo：动态图捕获。

• AOTAutograd：提前自动微分。

• TorchInductor：低层代码生成。这一层负责将 Python 模型自动转化为高效可执行图。

3. 后端（Backend）

• 包括 CPU（x86/ARM）、GPU（CUDA、ROCm）、XLA、TPU 等多种硬件执行环境。

• 由 Triton 内核 与 LLVM 编译器 提供底层优化支持。

四、性能与兼容性

五、典型应用领域

• 计算机视觉（CV）：图像分类、目标检测、生成模型（如 Stable Diffusion）。

• 自然语言处理（NLP）：Transformer、LLM（如 GPT、BERT 等）。

• 强化学习（RL）：与 Gym、RLlib 等结合实现智能体训练。

• 科学计算与量子机器学习：通过 TorchQuantum 等库扩展。

PyTorch2安装与环境配置

PyTorch2安装环境适用于 Windows、Linux、macOS，PyTorch2和Tensorflow2一样，模型都可以跑CPU和GPU。

我们安装以Windows操作系统和跑CPU为例讲解。首先新建项目，Python版本用3.11，以及使用虚拟环境创建。

安装命令：

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

• pytorch：主框架；

• torchvision：用于计算机视觉任务；

安装完后：

我们来验证下是否安装成功：

importtorch
print('PyTorch版本：', torch.__version__)
print('是否可用CPU：', torch.cpu.is_available())
print('设备类型：', torch.device('cpu'))

运行结果：

PyTorch版本： 2.9.0+cpu
是否可用CPU： True
设备类型： cpu

初识PyTorch2，实现一个简单的线性神经网络

我们用 PyTorch 2 训练一个简单的神经网络，拟合函数，y=2x+1

让模型学会从输入 x 预测输出 y。

我们使用PyTorch2里的nn.Linear()来实现线性神经网络。

nn.Linear(in_features, out_features, bias=True)

核心参数：

1. in_features

• 类型: int

• 作用: 指定输入特征的数量（输入维度）

• 说明: 每个输入样本的特征向量长度

1. out_features

• 类型: int

• 作用: 指定输出特征的数量（输出维度）

• 说明: 该线性层将产生的输出向量长度

1. bias

• 类型: bool

• 默认值: True

• 作用: 决定是否在变换中使用偏置项

• 说明:

• 如果 True，层会学习一个偏置参数 b

• 如果 False，层只进行线性变换而不加偏置

示例代码：

importtorch
fromtorchimportnn, optim
# 1，构造训练数据：y=2x+1
x = torch.linspace(-5, 5, 100).unsqueeze(1)  # 100的样本，维度[100,1]
print(x, x.shape)
y = 2*x+1+torch.randn(x.size())  # 添加噪声
# 2，定义简单的线性模型
model = nn.Linear(1, 1)
# 3, 定义损失函数与优化器
criterion = nn.MSELoss()  # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 4，训练模型
epochs = 2000
forepochinrange(epochs):
y_pred = model(x)  # 前向传播
loss = criterion(y_pred, y)  # 计算损失
optimizer.zero_grad()  # 清空梯度
loss.backward()  # 反向传播
optimizer.step()  # 更新参数
print(f'epoch: {epoch}, loss: {loss.item()}')
# 5，查看结果
[w, b] = model.parameters()
print(f'训练结果：w: {w}, b: {b}')

运行结果，已经非常接近2,1了。

TensorBoard可视化工具

TensorBoard是可视化工具包，Tensorflow2和PyTorch2都可以用，可以帮助开发者理解、调试和优化机器学习模型。下面详细介绍PyTorch2的使用方法，包含完整示例。

官方网站：https://www.tensorflow.org/tensorboard?hl=zh-cn

1. TensorBoard核心功能

• 标量可视化 - 损失函数、准确率等指标

• 图表可视化 - 模型计算图

• 直方图 - 权重和偏置的分布

• 投影器 - 高维数据降维可视化

• 图像可视化 - 输入图像和生成图像

• 文本可视化 - 文本数据

• 超参数调优 - 超参数对模型性能的影响

首先我们来安装下TensorBoard库：

pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple

前面一节的简单线性神经网络我们加下TensorBoard支持：

importtorch
fromtorchimportnn, optim
fromtorch.utils.tensorboardimportSummaryWriter
# 创建SummaryWriter对象 指定日志目录
writer = SummaryWriter(log_dir='runs/simple_linear')
# 1，构造训练数据：y=2x+1
x = torch.linspace(-5, 5, 100).unsqueeze(1)  # 100的样本，维度[100,1]
print(x, x.shape)
y = 2*x+1+torch.randn(x.size())  # 添加噪声
# 2，定义简单的线性模型
model = nn.Linear(1, 1)
# 3, 定义损失函数与优化器
criterion = nn.MSELoss()  # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 4，训练模型
epochs = 200
forepochinrange(epochs):
y_pred = model(x)  # 前向传播
loss = criterion(y_pred, y)  # 计算损失
optimizer.zero_grad()  # 清空梯度
loss.backward()  # 反向传播
optimizer.step()  # 更新参数
print(f'epoch: {epoch}, loss: {loss.item()}')
# 记录模型参数
forname, paraminmodel.named_parameters():
print('参数：', name, param)
writer.add_histogram(name, param, epoch)
# 记录损失
writer.add_scalar('loss', loss.item(), epoch)
# 记录模型结果 示例性的输入数据
dummy_input = torch.randn(x.size())
writer.add_graph(model, dummy_input)
# 训练结束后，关闭SummaryWriter对象
writer.close()
# 5，查看结果
[w, b] = model.parameters()
print(f'训练结果：w: {w}, b: {b}')

运行完后，我们在终端执行：

tensorboard --logdir=./runs --port=6006

然后浏览器运行  http://localhost:6006/

我们可以看到标量可视化，损失函数的变化曲线图

线性神经网络模型计算图：

包括模型参数（权重，偏置）根据步长的变化图：

张量(Tensor)的定义与操作

张量是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch2 中，我们使用张量来定义模型的输入和输出，以及模型的参数。

1，张量的定义

张量是一个具有相同数据类型的元素的多维矩阵。张量的维度被称为“秩”（rank），张量的形状（shape）决定了它的维度。例如：

• 标量：零维张量（0D）

• 向量：一维张量（1D）

• 矩阵：二维张量（2D）

• 多维数组：三维或更高维的张量（3D+）

2，创建张量

可以通过多种方式来创建张量，常见的有从列表创建，使用 torch.zeros 创建全零张量，使用 torch.ones 创建全一张量，使用 torch.rand 创建随机张量，从 NumPy 数组转换，下面是示例：

importtorch
# 从 Python 列表创建一个一维张量
tensor_1d = torch.tensor([1, 2, 3, 4, 5])
print(tensor_1d)  # 输出：tensor([1, 2, 3, 4, 5])
# 从嵌套列表创建二维张量
tensor_2d = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(tensor_2d)  # 输出：tensor([[1, 2], [3, 4], [5, 6]])
# 创建一个形状为 (2, 3) 的全零张量
tensor_zeros = torch.zeros(2, 3)
print(tensor_zeros)  # 输出：tensor([[0., 0., 0.], [0., 0., 0.]])
# 创建一个形状为 (3, 3) 的全一张量
tensor_ones = torch.ones(3, 3)
print(tensor_ones)  # 输出：tensor([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])
# 创建一个形状为 (2, 2) 的随机张量，元素值在 [0, 1) 范围内  torch.randn() 是 PyTorch 中用于生成服从标准正态分布（均值为 0，标准差为 1）的随机张量的函数。
tensor_rand = torch.rand(2, 2)
print(tensor_rand)  # 输出：tensor([[0.1353, 0.7184], [0.5225, 0.8931]])
importnumpyasnp
# 创建一个 NumPy 数组
np_array = np.array([1, 2, 3])
# 将 NumPy 数组转换为 PyTorch 张量
tensor_from_numpy = torch.tensor(np_array)
print(tensor_from_numpy)  # 输出：tensor([1, 2, 3])

运行输出：

tensor([1, 2, 3, 4, 5])
tensor([[1, 2],
        [3, 4],
        [5, 6]])
tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
tensor([[0.5516, 0.5451],
        [0.2829, 0.1066]])
tensor([1, 2, 3])

3，张量的常见操作

张量的常见操作有张量加法，张量乘法，张量维度变换，张量转置，张量拼接，张量切片等。下面是示例：

importtorch
# 两个张量相加
tensor_a = torch.tensor([1, 2, 3])
tensor_b = torch.tensor([4, 5, 6])
sum_tensor = tensor_a+tensor_b
print(sum_tensor)  # 输出：tensor([5, 7, 9])
# 张量元素级别的乘法
product_tensor = tensor_a*tensor_b
print(product_tensor)  # 输出：tensor([4, 10, 18])
# 矩阵乘法
matrix_a = torch.tensor([[1, 2], [3, 4]])
matrix_b = torch.tensor([[5, 6], [7, 8]])
matrix_product = torch.matmul(matrix_a, matrix_b)
print(matrix_product)
# 改变张量的形状（例如，1D → 2D）
tensor_1d = torch.tensor([1, 2, 3, 4, 5, 6])
reshaped_tensor = tensor_1d.view(2, 3)  # 变换为2行3列的矩阵
print(reshaped_tensor)  # 输出：tensor([[1, 2, 3], [4, 5, 6]])
# 对一个二维张量进行转置
tensor_2d = torch.tensor([[1, 2], [3, 4], [5, 6]])
transposed_tensor = tensor_2d.T
print(transposed_tensor)  # 输出：tensor([[1, 3, 5], [2, 4, 6]])
# 按维度拼接两个张量
tensor_a = torch.tensor([1, 2])
tensor_b = torch.tensor([3, 4])
concatenated_tensor = torch.cat((tensor_a, tensor_b), dim=0)
print(concatenated_tensor)  # 输出：tensor([1, 2, 3, 4])
# 获取张量的切片
tensor = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(tensor)
slice_tensor = tensor[1:, 1:]
print(slice_tensor)  # 输出：tensor([[5, 6], [8, 9]])

运行输出：

tensor([5, 7, 9])
tensor([ 4, 10, 18])
tensor([[19, 22],
        [43, 50]])
tensor([[1, 2, 3],
        [4, 5, 6]])
tensor([[1, 3, 5],
        [2, 4, 6]])
tensor([1, 2, 3, 4])
tensor([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]])
tensor([[5, 6],
        [8, 9]])

4，张量的常见属性

• tensor.shape: 返回张量的形状（即维度）

• tensor.size(): 返回张量的尺寸，和 .shape 类似

• tensor.device: 返回张量所在的设备（CPU 或 GPU）

• tensor.dtype: 返回张量的数据类型

示例：

importtorch
tensor_2d = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32)
print(tensor_2d.shape)  # 输出：torch.Size([2, 2])
print(tensor_2d.device)  # 输出：cpu
print(tensor_2d.dtype)  # 输出：torch.float32

运行输出：

torch.Size([2, 2])
cpu
torch.float32

自动微分（Autograd）与梯度优化

在PyTorch2中， 自动微分（Autograd）机制， 是 PyTorch 的核心功能之一，用于自动计算张量的导数（梯度）。

它的主要用途是：在神经网络反向传播过程中自动计算参数的梯度。

在 PyTorch 中，只要一个张量的属性 requires_grad=True，系统就会跟踪它的所有运算，从而可以在反向传播时自动求出梯度。

基本原理

• 计算图（Computational Graph）：PyTorch 会动态构建一张有向无环图（DAG），图的节点是张量，边是函数（如加法、乘法等）。反向传播时，PyTorch 会沿着这张图从输出向输入依次计算梯度。

• 反向传播（Backpropagation）：调用 loss.backward() 时，PyTorch 会自动计算所有参与计算的 requires_grad=True 张量的梯度。

• 梯度存储：计算出的梯度会存放在每个张量的 .grad 属性中。

简单示例

importtorch
# 创建一个张量并启用自动求导
x = torch.tensor(3.0, requires_grad=True)
# 构建一个函数 y = x^2
y = x**2
# 自动求导（反向传播）
y.backward()
# 查看梯度 dy/dx
print(x.grad)  # 输出：tensor(6.)
print(x.grad.item())

运行输出：

tensor(6.)
6.0

神经网络训练中使用 Autograd

importtorch
fromtorchimportnn, optim
# 1，构造训练数据：y=2x+1
x = torch.linspace(-5, 5, 100).unsqueeze(1)  # 100的样本，维度[100,1]
print(x, x.shape)
y = 2*x+1+torch.randn(x.size())  # 添加噪声
# 2，定义简单的线性模型
model = nn.Linear(1, 1)
# 3, 定义损失函数与优化器
criterion = nn.MSELoss()  # 均方误差
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 4，训练模型
epochs = 2000
forepochinrange(epochs):
y_pred = model(x)  # 前向传播
loss = criterion(y_pred, y)  # 计算损失
optimizer.zero_grad()  # 清空梯度
loss.backward()  # 反向传播
optimizer.step()  # 更新参数
print(f'epoch: {epoch}, loss: {loss.item()}')
# 5，查看结果
[w, b] = model.parameters()
print(f'训练结果：w: {w}, b: {b}')

流程说明：

1. forward() 前向传播，构建计算图

2. loss.backward() 反向传播，自动求出参数梯度

3. optimizer.step() 更新模型参数

数据集与数据加载

在 PyTorch 的训练流程中，数据读取与预处理 通常分为两部分：

1. Dataset（数据集类）负责定义样本获取方式，即“如何读一条数据”。

2. DataLoader（数据加载器）负责批量加载与并行加速，即“如何读多条数据”。

这两者的配合实现了高效的数据输入管线。

PyTorch 领域库提供了许多预加载的数据集（例如 FashionMNIST），这些数据集可以子类化torch.utils.data.Dataset并实现特定于特定数据的函数。它们可用于对模型进行原型设计和基准测试。

1，加载数据

以下是如何从 TorchVision 加载Fashion-MNIST数据集的示例。Fashion-MNIST 是 Zalando 商品图片的数据集，包含 60,000 个训练样本和 10,000 个测试样本。每个样本包含一张 28×28 的灰度图像以及 10 个类别中对应类别的标签。

Dataset 是一个抽象类。 自定义数据集时需重写两个关键方法：

示例代码：

importtorch
fromtorch.utils.dataimportDataset
fromtorchvisionimportdatasets
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True
)
print('训练集：')
print(training_data.__len__())
print(training_data.__getitem__(0))
print(training_data.targets)
test_data = datasets.FashionMNIST(
root="data",
train=False,
download=True
)
print('测试集：')
print(test_data.__len__())
print(test_data.__getitem__(0))

运行后，下载数据集到相对目录

运行输出：

训练集：
60000
(<PIL.Image.Image image mode=L size=28x28 at 0x1601FE917D0>, 9)
tensor([9, 0, 0,  ..., 3, 0, 5])
测试集：
10000
(<PIL.Image.Image image mode=L size=28x28 at 0x1602387ED90>, 9)

2，遍历和可视化数据

Datasets我们可以像列表一样手动索引： training_data[index]。我们用它matplotlib来可视化训练数据中的某些样本。

我们先安装下matplotlib，和 jupyter

pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

示例：

importmatplotlib.pyplotasplt
labels_map = {
0: "T-Shirt",
1: "Trouser",
2: "Pullover",
3: "Dress",
4: "Coat",
5: "Sandal",
6: "Shirt",
7: "Sneaker",
8: "Bag",
9: "Ankle Boot",
}
figure = plt.figure(figsize=(8, 8))
cols, rows = 3, 3
foriinrange(1, cols*rows+1):
sample_idx = torch.randint(len(training_data), size=(1,)).item()
img, label = training_data[sample_idx]
figure.add_subplot(rows, cols, i)
plt.title(labels_map[label])
plt.axis("off")
plt.imshow(img, cmap="gray")
plt.show()

运行输出：

3，使用 DataLoaders 准备训练

它Dataset会检索数据集的特征，并一次标记一个样本。在训练模型时，我们通常希望以“小批量”的形式传递样本，在每个周期重新调整数据以减少模型过拟合，并使用 Pythonmultiprocessing来加速数据检索。

DataLoader是一个可迭代对象，它通过一个简单的 API 为我们抽象了这种复杂性。

DataLoader是PyTorch中用于批量加载数据的工具类，它将training_data数据集按照指定的batch_size=64进行分批处理，并通过shuffle=True参数在每个训练周期开始时随机打乱数据顺序，以提高模型训练效果。

train_dataloader = DataLoader(training_data, batch_size=64, shuffle=True)
test_dataloader = DataLoader(test_data, batch_size=64, shuffle=True)

transform预处理转换模块

PyTorch 2 的 transform 模块 —— 它是图像预处理与增强中非常核心的部分。

🧠 一、transform 是什么？

在 PyTorch 中，尤其是使用 torchvision 进行图像任务时，数据的输入通常需要经过预处理才能喂入神经网络。 这些预处理操作（如缩放、裁剪、归一化、数据增强等）就是通过 torchvision.transforms 模块实现的。

PyTorch 2 中该模块更加灵活、可组合，支持 PIL 图像、Tensor、NumPy 数组 等多种格式。

🧩 二、torchvision.transforms 的主要功能分类

⚙️ 三、基本使用示例

我们把上一节的实例改下：

importtorch
fromtorch.utils.dataimportDataset
fromtorchvisionimportdatasets
fromtorchvision.transforms.v2importToTensor
training_data = datasets.FashionMNIST(
root="data",
train=True,
download=True,
transform=ToTensor()  # 将图像的像素强度值缩放到 [0., 1.] 范围内 归一化
)
print('训练集：')
print(training_data.__len__())
print(training_data.__getitem__(0))
print(training_data.targets)

运行输出：

训练集：
60000
(tensor([[[0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0039, 0.0000, 0.0000, 0.0510,
          0.2863, 0.0000, 0.0000, 0.0039, 0.0157, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0039, 0.0039, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0118, 0.0000, 0.1412, 0.5333,
          0.4980, 0.2431, 0.2118, 0.0000, 0.0000, 0.0000, 0.0039, 0.0118,
          0.0157, 0.0000, 0.0000, 0.0118],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0235, 0.0000, 0.4000, 0.8000,
          0.6902, 0.5255, 0.5647, 0.4824, 0.0902, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0471, 0.0392, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.6078, 0.9255,
          0.8118, 0.6980, 0.4196, 0.6118, 0.6314, 0.4275, 0.2510, 0.0902,
          0.3020, 0.5098, 0.2824, 0.0588],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0039, 0.0000, 0.2706, 0.8118, 0.8745,
          0.8549, 0.8471, 0.8471, 0.6392, 0.4980, 0.4745, 0.4784, 0.5725,
          0.5529, 0.3451, 0.6745, 0.2588],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0039, 0.0039, 0.0039, 0.0000, 0.7843, 0.9098, 0.9098,
          0.9137, 0.8980, 0.8745, 0.8745, 0.8431, 0.8353, 0.6431, 0.4980,
          0.4824, 0.7686, 0.8980, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.7176, 0.8824, 0.8471,
          0.8745, 0.8941, 0.9216, 0.8902, 0.8784, 0.8706, 0.8784, 0.8667,
          0.8745, 0.9608, 0.6784, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.7569, 0.8941, 0.8549,
          0.8353, 0.7765, 0.7059, 0.8314, 0.8235, 0.8275, 0.8353, 0.8745,
          0.8627, 0.9529, 0.7922, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0039, 0.0118, 0.0000, 0.0471, 0.8588, 0.8627, 0.8314,
          0.8549, 0.7529, 0.6627, 0.8902, 0.8157, 0.8549, 0.8784, 0.8314,
          0.8863, 0.7725, 0.8196, 0.2039],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0235, 0.0000, 0.3882, 0.9569, 0.8706, 0.8627,
          0.8549, 0.7961, 0.7765, 0.8667, 0.8431, 0.8353, 0.8706, 0.8627,
          0.9608, 0.4667, 0.6549, 0.2196],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0157, 0.0000, 0.0000, 0.2157, 0.9255, 0.8941, 0.9020,
          0.8941, 0.9412, 0.9098, 0.8353, 0.8549, 0.8745, 0.9176, 0.8510,
          0.8510, 0.8196, 0.3608, 0.0000],
         [0.0000, 0.0000, 0.0039, 0.0157, 0.0235, 0.0275, 0.0078, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.9294, 0.8863, 0.8510, 0.8745,
          0.8706, 0.8588, 0.8706, 0.8667, 0.8471, 0.8745, 0.8980, 0.8431,
          0.8549, 1.0000, 0.3020, 0.0000],
         [0.0000, 0.0118, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.2431, 0.5686, 0.8000, 0.8941, 0.8118, 0.8353, 0.8667,
          0.8549, 0.8157, 0.8275, 0.8549, 0.8784, 0.8745, 0.8588, 0.8431,
          0.8784, 0.9569, 0.6235, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0706, 0.1725, 0.3216, 0.4196,
          0.7412, 0.8941, 0.8627, 0.8706, 0.8510, 0.8863, 0.7843, 0.8039,
          0.8275, 0.9020, 0.8784, 0.9176, 0.6902, 0.7373, 0.9804, 0.9725,
          0.9137, 0.9333, 0.8431, 0.0000],
         [0.0000, 0.2235, 0.7333, 0.8157, 0.8784, 0.8667, 0.8784, 0.8157,
          0.8000, 0.8392, 0.8157, 0.8196, 0.7843, 0.6235, 0.9608, 0.7569,
          0.8078, 0.8745, 1.0000, 1.0000, 0.8667, 0.9176, 0.8667, 0.8275,
          0.8627, 0.9098, 0.9647, 0.0000],
         [0.0118, 0.7922, 0.8941, 0.8784, 0.8667, 0.8275, 0.8275, 0.8392,
          0.8039, 0.8039, 0.8039, 0.8627, 0.9412, 0.3137, 0.5882, 1.0000,
          0.8980, 0.8667, 0.7373, 0.6039, 0.7490, 0.8235, 0.8000, 0.8196,
          0.8706, 0.8941, 0.8824, 0.0000],
         [0.3843, 0.9137, 0.7765, 0.8235, 0.8706, 0.8980, 0.8980, 0.9176,
          0.9765, 0.8627, 0.7608, 0.8431, 0.8510, 0.9451, 0.2549, 0.2863,
          0.4157, 0.4588, 0.6588, 0.8588, 0.8667, 0.8431, 0.8510, 0.8745,
          0.8745, 0.8784, 0.8980, 0.1137],
         [0.2941, 0.8000, 0.8314, 0.8000, 0.7569, 0.8039, 0.8275, 0.8824,
          0.8471, 0.7255, 0.7725, 0.8078, 0.7765, 0.8353, 0.9412, 0.7647,
          0.8902, 0.9608, 0.9373, 0.8745, 0.8549, 0.8314, 0.8196, 0.8706,
          0.8627, 0.8667, 0.9020, 0.2627],
         [0.1882, 0.7961, 0.7176, 0.7608, 0.8353, 0.7725, 0.7255, 0.7451,
          0.7608, 0.7529, 0.7922, 0.8392, 0.8588, 0.8667, 0.8627, 0.9255,
          0.8824, 0.8471, 0.7804, 0.8078, 0.7294, 0.7098, 0.6941, 0.6745,
          0.7098, 0.8039, 0.8078, 0.4510],
         [0.0000, 0.4784, 0.8588, 0.7569, 0.7020, 0.6706, 0.7176, 0.7686,
          0.8000, 0.8235, 0.8353, 0.8118, 0.8275, 0.8235, 0.7843, 0.7686,
          0.7608, 0.7490, 0.7647, 0.7490, 0.7765, 0.7529, 0.6902, 0.6118,
          0.6549, 0.6941, 0.8235, 0.3608],
         [0.0000, 0.0000, 0.2902, 0.7412, 0.8314, 0.7490, 0.6863, 0.6745,
          0.6863, 0.7098, 0.7255, 0.7373, 0.7412, 0.7373, 0.7569, 0.7765,
          0.8000, 0.8196, 0.8235, 0.8235, 0.8275, 0.7373, 0.7373, 0.7608,
          0.7529, 0.8471, 0.6667, 0.0000],
         [0.0078, 0.0000, 0.0000, 0.0000, 0.2588, 0.7843, 0.8706, 0.9294,
          0.9373, 0.9490, 0.9647, 0.9529, 0.9569, 0.8667, 0.8627, 0.7569,
          0.7490, 0.7020, 0.7137, 0.7137, 0.7098, 0.6902, 0.6510, 0.6588,
          0.3882, 0.2275, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.1569,
          0.2392, 0.1725, 0.2824, 0.1608, 0.1373, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000],
         [0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.0000,
          0.0000, 0.0000, 0.0000, 0.0000]]]), 9)
tensor([9, 0, 0,  ..., 3, 0, 5])

    点击下方公众号【Python222】小卡片，
回复：888，
👇👇 即可获取锋哥Python视频打包下载 👇👇

👆👆👆点击上方小卡片
回复「888」即可