---

人工智慧的發展在近年來突飛猛進，從自然語言處理到電腦視覺，各個領域都取得了驚人的成就。而支撐這場革命的，除了強大的演算法，更需要一個靈活且高效的開發框架。在眾多選擇中，PyTorch（又稱 Torch）憑藉其直觀的設計、動態計算圖以及對 GPU 和 MPS 等硬體加速的完美支援，成為了許多研究者與開發者的首選。

無論你是學生、工程師，還是正打算轉入 AI 領域的自學者，只要熟悉 Python 並掌握當前主流的深度學習框架，就能快速完成模型的訓練、部署與優化。本文將以「從零開始」為核心，帶你逐步建立完整的 AI 開發流程，並結合 2025 年最新的工具與實務趨勢，讓你能更輕鬆上手，並有效提升開發效率。

什麼是 PyTorch ?

PyTorch 是由 Meta（原 Facebook）AI Research 開發的開源機器學習框架，基於 Python 語言，並廣泛應用於兩大領域：

• 張量運算（Tensor Computation）
  功能類似 NumPy，但有一個關鍵差異：它的張量可以直接在 GPU 上運行，大幅加速大規模數學計算（例如矩陣乘法），效能通常比 CPU 快上數十倍。
• 深度神經網路（Deep Neural Networks）
  內建 自動微分系統（autograd），能自動計算梯度，這對利用反向傳播訓練模型至關重要。再搭配 torch.nn 模組，開發者可以像「搭積木」一樣快速構建複雜的網路結構。

這個框架的設計哲學是 直覺、靈活且高效。它採用 動態計算圖（Dynamic Computation Graph），代表「建立模型」與「執行運算」能同時進行。開發者可以直接用標準的 Python 語法（如 for 迴圈、if 條件式）來動態控制模型行為，特別適合研究與實驗。

為什麼選 Torch ?

到了 2025 年，這個框架的優勢比以往更加明顯：

• 語法直觀：延續 Pythonic 的設計理念，程式碼可讀性極高，幾乎就像在寫偽代碼，學習門檻低且開發體驗流暢。
• 靈活強大：動態計算圖特別適合研究與快速原型開發，你可以即時列印張量、修改網路架構，而不必重新編譯整個模型。
• 完整生態系：擁有來自 Meta 的支持，並延伸出適用於不同領域的工具，例如電腦視覺 (torchvision)、自然語言處理 (torchtext、transformers)、以及音訊處理 (torchaudio)。加上龐大的開源社群，遇到問題時往往能迅速找到解答。
• 生產級部署：隨著 TorchScript 與 torch.compile（PyTorch 2.0 的核心特色）的成熟，這個框架不僅適合研究，更能無縫導入實際產品環境。
• 跨設備支援：同一份程式碼即可在 CPU、NVIDIA GPU (CUDA)、或 Apple Silicon (MPS) 上運行，輕鬆享受硬體加速。

開發環境

工欲善其事，必先利其器。讓我們快速設置你的開發環境。

作業系統

• macOS / Linux / Windows 皆可

安裝 Python

• 建議版本：Python 3.9 ~ 3.12
• 檢查是否已安裝：

python3 --version

如果沒有安裝，請到 Python 官方網站 下載並安裝。

安裝 VSCode

• 下載：Visual Studio Code
• 安裝 Python 擴充套件（Microsoft 官方提供）

Git（版本控制用）

• 檢查是否安裝：

git --version

若未安裝，可到 Git 官方網站 下載。

安裝 PyTorch

前往官方網站根據你的平台（作業系統）、包管理工具（pip/conda）和 CUDA 版本（如果有 NVIDIA GPU）選擇對應的命令。

# Install (CPU version, works for everyone)
pip3 install torch torchvision torchaudio

# Install with CUDA 12.1 (for NVIDIA GPU users)
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# Install via Conda (with CUDA 12.1 support)
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

驗證安裝及設備

打開你的 Python 環境（Jupyter Notebook, VS Code, PyCharm 等），執行以下代碼檢查設備：

import torch

print(f"PyTorch version: {torch.__version__}")
print(f"CUDA (NVIDIA GPU) available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA device name: {torch.cuda.get_device_name(0)}")

print(f"MPS (Apple Silicon) available: {torch.backends.mps.is_available()}")

# Select which device to use
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
print(f"Using device: {device}")

專案結構

my_python_project/     # 專案根目錄
├── my_project_env/    # 虛擬環境資料夾（不會上傳到 Git）
├── app.py             # 主程式
├── requirements.txt   # 套件依賴清單
└── .gitignore         # Git 忽略規則

Code

讓我們實作一個最經典的範例：在 Fashion-MNIST 資料集上訓練一個簡單的神經網路來對衣物圖片進行分類。此代碼展示了完整的流程，並自動利用可用的設備進行加速。

# import_libraries.py
import torch
from torch import nn, optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
import matplotlib.pyplot as plt

# 1. Set device
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
print(f"Using {device} device")

# 2. Load and prepare dataset
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

train_dataset = datasets.FashionMNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.FashionMNIST(root='./data', train=False, download=True, transform=transform)

train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

# Check the shape of one batch
for X, y in train_loader:
    print(f"Shape of X [Batch, Channel, Height, Width]: {X.shape}")
    print(f"Shape of y: {y.shape} {y.dtype}")
    break

# 3. Build neural network model
class NeuralNetwork(nn.Module):
    def __init__(self):
        super().__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork().to(device) # Move model to device (GPU/MPS/CPU)
print(model)

# 4. Define loss function and optimizer
loss_fn = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=1e-3)

# 5. Training loop
def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device) # Move data to the same device

        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

# 6. Test loop
def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    test_loss /= num_batches
    correct /= size
    print(f"Test Results: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")
    return correct

# 7. Run training
epochs = 5
accuracy_history = []
for t in range(epochs):
    print(f"Epoch {t+1}\n-------------------------------")
    train(train_loader, model, loss_fn, optimizer)
    acc = test(test_loader, model, loss_fn)
    accuracy_history.append(acc)
print("Training Done!")

# 8. Save trained model
torch.save(model.state_dict(), "outputs/model.pth")
print("Saved model state to model.pth")

輸出

當你運行上述代碼後，你將會在控制台看到類似以下的輸出，並在 outputs 資料夾中生成模型文件。

控制台輸出 (Console Output):

Using cuda device # 或 Using mps device / Using cpu device
Shape of X [Batch, Channel, Height, Width]: torch.Size([64, 1, 28, 28])
Shape of y: torch.Size([64]) torch.int64
NeuralNetwork(
  (flatten): Flatten(start_dim=1, end_dim=-1)
  (linear_relu_stack): Sequential(
    (0): Linear(in_features=784, out_features=512, bias=True)
    (1): ReLU()
    (2): Linear(in_features=512, out_features=512, bias=True)
    (3): ReLU()
    (4): Linear(in_features=512, out_features=10, bias=True)
  )
)
Epoch 1
-------------------------------
loss: 2.301106  [    0/60000]
loss: 0.558233  [ 6400/60000]
...
Test Error:
 Accuracy: 84.0%, Avg loss: 0.412345

Epoch 5
-------------------------------
...
Test Error:
 Accuracy: 87.2%, Avg loss: 0.352123

Training Done!
Saved PyTorch Model State to model.pth

結論

通過這篇「從零開始」的 PyTorch 指南，我們解密了 2025 年人工智慧開發的核心工具與實戰應用。你已經學會了：

• 為什麼它是現代 AI 開發的利器：直覺、靈活且生態強大。
• 如何設置環境並利用硬體加速：透過 .to(device) 輕鬆在 CPU、GPU (CUDA) 和 MPS 之間切換。
• 一個標準的專案流程：從資料載入、模型定義、訓練循環到模型保存。

這僅僅是開始。AI 的世界廣闊而深邃，等待你探索更複雜的模型（CNN, RNN, Transformer）、更高級的技術（遷移學習、生成對抗網路）、以及如何將模型部署到真實世界。

現在，你已經擁有了加速開發的鑰匙。打開你的編輯器，開始構建屬於你的智能未來吧！！

---