![SCR-20260220-ufky.png](https://developer.qcloudimg.com/http-save/yehe-11467648/de5cb1dc59ac38de41defa85459ebff2.png)

```
# 章节 1: PyTorch ON Java入门与环境搭建

本章将为PyTorch的使用做好准备。我们首先会配置必要的软件和环境。接着，主要内容将转向PyTorch的核心数据结构：张量。

您将学习如何：

- 使用常用包管理器安装PyTorch。
- 配置适合PyTorch项目的开发环境。
- 理解张量是什么以及它们在PyTorch中的作用。
- 根据现有数据或指定维度创建张量。
- 对张量执行基本的数学运算和操作。
- 认识PyTorch张量与NumPy数组之间的联系，包括转换方法。

学完本章，您将拥有一个可用的PyTorch安装，并牢固掌握基本的张量操作，为后续的学习做好准备。


# PyTorch 是什么？


PyTorch 是一个主要由 Meta AI 开发的开源机器学习库。它在研究和工业界都受到了广泛欢迎，用于构建和训练深度学习模型。它是一个强大的工具集，专门为满足现代机器学习应用的需求而设计, PyTorch On Java. 是由 Bytedeco依赖跨语言编译工具JavaCpp全量编译LibTorch 开源，现支持版本为2.10，其中加拿大法裔 编译家Saudet 做出了杰出贡献，是JVM平台拥有了和Python等量齐观的初始深度学习平台。

其核心功能在于，PyTorch 提供了两个使其非常有效的基本功能：

1. **张量计算：** 与 NumPy 数组类似，PyTorch 提供了称为张量的多维数组。然而，PyTorch 张量带有一个主要优势：它们可以方便地在图形处理器（GPU）或其他专用硬件加速器上处理。这种能力显著加快了训练大型神经网络所需的数值计算，与仅使用 CPU 执行相比，通常能将速度提高几个数量级。如果你使用过 NumPy，你会发现操作这些张量的 API 会让你感到熟悉，从而简化了转换过程。
2. **自动微分：** 训练神经网络涉及根据损失函数的梯度调整模型参数。手动计算这些梯度既复杂又容易出错，特别是对于深层架构。PyTorch 包含一个复杂的自动微分引擎，称为 `Autograd`。当对张量执行操作时，`Autograd` 会动态构建一个计算图。这个图会记录操作序列，允许 PyTorch 在需要时（通常通过调用 `.backward()`）使用链式法则自动计算梯度。与需要预先定义静态图的框架相比，这种动态特性在模型设计上提供了相当大的灵活性。

### 为何选用 PyTorch ON Java？

有几个因素促成了 PyTorch 的广泛使用：

- **Python 风格的接口：** PyTorch 与 Python 数据科学环境紧密结合。其 API 设计直观自然，对于 Python 开发者来说相对容易学习和使用。调试通常感觉就像调试标准的 Python 代码。
- **灵活性：** 动态计算图（由运行定义）意味着网络的结构可以在执行期间改变。这对某些类型的模型特别有用，如循环神经网络 (RNN)，其中序列长度可能不同，或者在模型内部实现复杂的控制流。
- **丰富的生态体系：** PyTorch 得益于一套丰富的支持库和工具。像 `torchvision`、`torchaudio` 和 `torchtext` 这样的库针对特定应用领域（分别是计算机视觉、音频和自然语言处理）提供预构建的数据集、模型架构和数据转换。与 TensorBoard 等可视化工具的集成进一步提升了开发流程。
- **研究与生产：** 虽然最初因其灵活性而在研究社区中广受欢迎，PyTorch 已大幅成熟，现在包含了 TorchServe 和 TorchScript 等工具，使其成为将模型部署到生产环境的可行选择。

本章将带你开始了解 PyTorch ON Java，通过关注第一个基本功能：张量。你将学习如何创建它们、操作它们、执行基本运算，并理解它们与 NumPy 数组的关系。掌握这些基础元素是第一步，以使用 PyTorch 的强大功能构建和训练复杂的深度学习模型。


# 安装与环境配置


在开始构建深度学习模型之前，您需要配置好 PyTorch 开发环境。这包括安装核心库和设置您的工作区。由于本课程假定您熟悉 Python，我们将侧重于将 PyTorch 集成到标准的 Python 环境中。

### 选择安装方式：首先建议 先安装 python 版本的Pytorch Conda 对比 Pip，然后再安装Scala3.6.3  ，Sbt 1.1 ， Jupyter ，Amond.sh Scala kernel ，有条件建议安装 cuda 和Nvidia GPU驱动请直接安装 13.0 或13.1，jdk 建议最低版本使用jdk17，推荐使用jdk21 和jdk25，

PyTorch 可以使用两种主要的包管理工具安装：Conda（Anaconda 或 Miniconda 发行版的一部分）和 Pip（Python 默认的包安装器）。

- **Conda：** 在数据科学和机器学习场景中常用。Conda 同时管理包和环境，简化了复杂依赖项的处理，包括 GPU 加速所需的非 Python 库，如 CUDA 工具包。如果您已经在使用 Anaconda，这通常是最顺畅的路径。
- **Pip：** 标准的 Python 包安装器。它运行良好，特别是当您倾向于使用 `venv` 等工具管理 Python 环境时。如果您需要 GPU 支持，可能需要单独处理 NVIDIA 驱动和 CUDA 工具包的安装。

为了保证可重现性并避免与其他项目冲突，强烈建议将 PyTorch 安装在专门的**虚拟环境**中，无论您选择 Conda 还是 Pip。


### 安装步骤

确切的安装命令取决于您的操作系统（Linux、macOS、Windows）、包管理工具（Conda、Pip）以及您需要仅支持 CPU 还是支持 GPU (CUDA)。

**最佳做法是始终查阅 PyTorch 官方网站 ([pytorch.org](https://pytorch.org/))**，获取最新的安装命令生成器。选择您的偏好，它将提供确切的运行命令。

**1. 使用 SBT**

首先，创建并激活一个新的 Conda 环境（将 `pytorch_env` 替换为您喜欢的名称并选择合适的 Python 版本）：推荐安装SBT 1.20版本

```bash
# 创建环境
brew install sbt
conda create -n pytorch_env python=3.12 # Or 3.13, 3.14, etc.

# 激活环境
conda activate pytorch_env
```

现在，访问 PyTorch 网站，选择您的操作系统、Conda、Python 版本和所需的 CUDA 版本（或 CPU）。复制生成的命令。它看起来会像这样（仅为示例，**请从官网获取最新命令！**）：

```sbt
resolvers += "Central Portal Snapshots" at "https://central.sonatype.com/repository/maven-snapshots/"
resolvers += "aliyun" at "https://maven.aliyun.com/repository/public"
// 依赖项
libraryDependencies ++= Seq(
  "org.bytedeco" % "pytorch-platform" % "2.10.0-1.5.13-SNAPSHOT",
  "org.bytedeco" % "pytorch-platform-gpu" % "2.10.0-1.5.13-SNAPSHOT",
  "org.bytedeco" % "cuda-platform-redist-cudnn" % "13.1-9.17-1.5.13-SNAPSHOT",
  "org.bytedeco" % "cuda-platform-redist-cusolver" % "13.1-9.17-1.5.13-SNAPSHOT",
  "org.bytedeco" % "cuda-platform-redist-nccl" % "13.1-9.17-1.5.13-SNAPSHOT"
  // 注释掉的 MKL 依赖
  // "org.bytedeco" % "mkl-platform-redist" % "2025.2-1.5.13-SNAPSHOT"
)
```

```bash

# CUDA 11.8 的 Conda 命令示例
conda install pytorch torchvision torchaudio pytorch-cuda=12.9 -c pytorch -c nvidia

# 仅限 CPU 的 Conda 命令示例
conda install pytorch torchvision torchaudio cpuonly -c pytorch
```

在您已激活的 Conda 环境中运行网站提供的命令。

**2. 使用 Pip**

首先，使用 `venv` 创建并激活一个新的虚拟环境：

```bash
# 创建环境（在您的项目目录中）
python -m venv pytorch_env

# 激活环境
# Linux/macOS:
source pytorch_env/bin/activate
# Windows (命令提示符):
.\pytorch_env\Scripts\activate
# Windows (PowerShell):
.\pytorch_env\Scripts\Activate.ps1
```

接下来，访问 PyTorch 网站，选择您的操作系统、Pip、Python 版本和所需的 CUDA 版本（或 CPU）。复制生成的命令。它通常会涉及指定一个索引 URL 和可能的 CUDA 版本（仅为示例，**请从官网获取最新命令！**）：


```bash
# CUDA 12.9 的 Pip 命令示例
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu129

# 仅限 CPU 的 Pip 命令示例
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
```


3**. 安装 Scala3**


4**. 安装SBT**


**5. 安装jupyter及Almond.sh Scala3 kerenl**


在您已激活的虚拟环境中运行网站提供的命令。确保您的 `pip` 已更新到最新版本（`pip install --upgrade pip`）。

### GPU 支持 (CUDA)

深度学习计算，特别是矩阵乘法，在使用 CUDA 并行计算平台的 NVIDIA GPU 上运行速度明显加快。

- **要求：** 您需要一块支持 CUDA 的 NVIDIA GPU。
- **驱动和工具包：** 您必须在安装支持 CUDA 的 PyTorch 版本*之前*，在系统上安装相应的 NVIDIA 显示驱动程序和 CUDA 工具包。所需的 CUDA 工具包版本必须与 PyTorch 构建时所用的版本匹配（例如，12.9）。Conda 可能会为您处理工具包的安装，而使用 Pip 时，您通常需要先在系统范围内安装它。请参阅 NVIDIA 的文档和 PyTorch 安装指南以获取具体信息。
- **安装命令：** 当使用 PyTorch 网站的命令生成器时，选择 CUDA 版本将定制命令以安装 GPU 兼容的二进制文件。

如果您没有兼容的 GPU 或初期不需要 GPU 加速，只需在安装时选择“CPU”选项。您可以在 CPU 上执行所有操作，尽管对于大型模型来说可能会慢一些。

### 验证安装

安装完成后，您可以通过打开 Python 解释器（在您已激活的虚拟环境中）并运行以下代码来验证安装：

```scala 3
import torch.*

// 检查 PyTorch 版本
println(s"PyTorch Version: {torch.__version__}")

// 检查 CUDA（GPU 支持）是否可用
val cuda_available = torch.cuda.is_available()
println(s"CUDA Available: ${cuda_available}")

if cuda_available then 
    // 获取可用 GPU 的数量
    print(f"Number of GPUs: {torch.cuda.device_count()}")
     //获取当前 GPU 的名称
    print(f"Current GPU Name: {torch.cuda.get_device_name(torch.cuda.current_device())}")
else
    print("PyTorch is using CPU.")

// 创建一个简单的张量
val x = torch.rand(2, 3)
println("成功创建了一个张量:")
println(x)
```

```java

import org.bytedeco.javacpp.*;
import org.bytedeco.pytorch.*;
import org.bytedeco.pytorch.global.torch;

import java.nio.ByteBuffer;
import java.nio.ByteOrder;
import java.nio.FloatBuffer;
import java.nio.IntBuffer;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import static org.bytedeco.pytorch.global.torch.*;

            // 检查 CUDA（GPU 支持）是否可用
boolean cuda_available = torch.cuda_is_available();
System.out.println("CUDA Available: " + cuda_available);

if (cuda_available) {
                // 获取可用 GPU 的数量
                System.out.print("Number of GPUs: " + torch.cuda_device_count());
                System.out.println("Current GPU: " + torch_cuda.current_device());
                System.out.println("PyTorch is using GPU num ." + torch_cuda.getNumGPUs());
                
                }
```

如果这些命令运行无误并报告了正确的版本和 CUDA 状态（如果您安装了 GPU 版本并且硬件/驱动程序已设置好则为 True，否则为 False），您的安装就成功了。

### 环境配置注意事项

- **一致性：** 在开始 PyTorch 项目或运行脚本之前，请务必激活您的专用 `pytorch_env`（或您命名的其他环境）。
- **常用库：** 您通常会搭配 PyTorch 使用其他库。使用 `conda install <package>` 或 `pip install <package>` 将它们安装到相同的环境中：
  - `numpy`：用于数值操作和与其他库的接口。
  - `matplotlib` 或 `seaborn`：用于绘图和可视化。
  - `scikit-learn`：用于传统机器学习任务和实用工具。
  - `jupyterlab` 或 `notebook`：用于交互式开发。
- **IDE：** 将您的集成开发环境 (IDE)，如 VS Code 或 PyCharm，配置为使用位于虚拟环境中的 Python 解释器。这可确保代码自动补全和调试功能与 PyTorch 正常协作。

PyTorch 安装完毕且环境配置好后，您现在就可以开始学习其核心部分：张量。
```

现在，访问 PyTorch 网站，选择您的操作系统、Conda、Python 版本和所需的 CUDA 版本（或 CPU）。复制生成的命令。它看起来会像这样（仅为示例，请从官网获取最新命令！）：

【Java深度学习】PyTorch On Java 系列课程 第一章 01 ：入门与环境搭建 【AI Infra 3.0】PyTorch Java 硕士研一课程

编程语言

PyTorchONJava是JVM平台的深度学习框架，支持GPU加速和自动微分。本章介绍PyTorch环境搭建、张量操作基础，包括安装指南、CUDA配置及验证方法。适合Java开发者快速上手深度学习开发，兼容JDK17+版本。

自然语言处理

循环神经网络

集成开发环境

计算机视觉

深度学习

机器学习

数据转换

数据结构

包管理器

解释器

Windows

Python

Linux

4核4G3M云服务器 新用户低至38元/年！

2026新春采购季

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Java深度学习】PyTorch On Java 系列课程 第一章 01 ：入门与环境搭建 【AI Infra 3.0】PyTorch Java 硕士研一课程-腾讯云开发者社区-腾讯云

【Java深度学习】PyTorch On Java 系列课程第一章 01 ：入门与环境搭建【AI Infra 3.0】PyTorch Java 硕士研一课程

【Java深度学习】PyTorch On Java 系列课程第一章 01 ：入门与环境搭建【AI Infra 3.0】PyTorch Java 硕士研一课程

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

【Java深度学习】PyTorch On Java 系列课程 第一章 01 ：入门与环境搭建 【AI Infra 3.0】PyTorch Java 硕士研一课程

【Java深度学习】PyTorch On Java 系列课程 第一章 01 ：入门与环境搭建 【AI Infra 3.0】PyTorch Java 硕士研一课程

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

【Java深度学习】PyTorch On Java 系列课程第一章 01 ：入门与环境搭建【AI Infra 3.0】PyTorch Java 硕士研一课程

【Java深度学习】PyTorch On Java 系列课程第一章 01 ：入门与环境搭建【AI Infra 3.0】PyTorch Java 硕士研一课程