PyTorch 是一个用于计算机视觉任务的灵活框架，它提供用于加载数据、构建模型和高效训练系统的工具。核心组件包括 torchvision 库，该库提供数据集、模型架构和图像转换。典型的工作流程包括使用转换准备数据、定义神经网络（预训练模型或自定义设计）以及使用 PyTorch 的自动微分和优化器类对其进行训练。例如，您可以加载 CIFAR-10 数据集，应用调整大小和标准化，训练 ResNet 模型并评估其准确性。
数据处理通过 Dataset 和 DataLoader 类进行简化。torchvision.datasets 包括常见的像 MNIST 或 ImageNet 这样的数据集，可以使用 transforms.Compose 进行预处理，以链接诸如将图像转换为张量 (ToTensor()) 或标准化像素值 (Normalize(mean, std)) 之类的操作。 DataLoader 批处理数据并支持混洗、并行加载和内存效率。例如，加载 CIFAR-10 可能涉及将图像调整为 32x32，将它们转换为张量，并标准化 RGB 通道。然后， DataLoader 创建 64 个图像的批次，从而在训练期间实现高效迭代。
对于模型构建，PyTorch 通过 torchvision.models 提供预训练架构（例如，ResNet、VGG），可以通过替换其最终层来进行微调。或者，您可以使用 nn.Module 定义自定义模型，添加诸如 Conv2d、MaxPool2d 和 Linear 之类的层。训练涉及定义损失函数（例如，CrossEntropyLoss）、优化器（例如，SGD 或 Adam）和迭代数据。基本训练循环包括正向传递以计算预测、计算损失、使用 loss.backward() 反向传播梯度以及使用 optimizer.step() 更新权重。训练后，在验证数据上评估模型以测量准确性或其他指标，从而完成端到端的过程。