PyTorch快速入门：深度学习框架初探
大家好，我是老K，一个在杭州卷了快五年的后端工程师。GitHub Copilot 付费用户（没错，就是那个被某些人骂“AI抄代码”的工具），用了快两年，Vim 没卸过，IDE 基本只在看同事代码时打开——主要是怕他们用花里胡哨的插件把我带偏了。目前在一家和阿里、网易抢人的中型互联网公司混日子，主业写 Springboot，副业研究怎么让简历在 Boss 直聘上多收到几个“你好，在看你的简历”……
去年双11前夜，我们组突然接到一个“战略性需求”：给推荐系统加个基于用户行为序列的深度排序模型。产品经理原话是：“要不整个 DNN 吧？我看隔壁组搞了个 Transformer，效果贼好。” 我当时正一边用 vim 改着第 8 版接口文档，一边心里默念“求你别提算法”，结果领导拍板：“老K，你不是简历上写了‘了解机器学习’吗？正好练练手。”
于是，我这个常年和 @Autowired 和 application.yml 打交道的 Java 老兵，被迫拿起了 Python 和 PyTorch。
为什么是 PyTorch？而不是 TensorFlow？
说实话，一开始我想直接跑路。但考虑到跳槽时如果能在简历上加上“独立完成深度学习模型开发与部署”，那至少能多拿两个面试机会——尤其现在杭州这边大厂都在招“懂业务+会 AI”的全栈型后端。
选 PyTorch 而不是 TensorFlow，主要有三个原因：
- 生态友好：PyTorch 的社区文档对新手极其友好，不像 TF 那样动不动就让你先学
tf.function再理解graph mode。 - 动态图调试爽：作为一个 Vim 党，习惯了逐行调试，PyT Torch 的 eager execution 模式让我可以直接
print(tensor)看中间结果，不用像 TF 1.x 那样画计算图到怀疑人生。 - 求职市场更吃香：翻了下最近半年阿里 P6/P7 的 JD，80% 以上都写着“熟悉 PyTorch 优先”。网易伏羲实验室那边甚至直接要求“熟练使用 PyTorch 构建自定义模型”。
🤯 小插曲：第一次跑
import torch报错CUDA not available，我以为显卡坏了，后来发现是我本地没装 CUDA 驱动……运维小哥笑我说：“你连 GPU 服务器都没申请，就想跑训练？”
实战：从零构建一个点击率预估模型（CTR）
我们的业务场景很典型：用户浏览商品列表 → 点击或不点击 → 用历史行为预测下次点击概率。
数据来自公司内部埋点，字段包括：
user_id,item_id- 用户画像（年龄、城市、设备）
- 商品特征（类目、价格、销量）
- 行为序列（最近点击的 10 个 item_id）
目标：输入这些特征，输出点击概率（0~1）。
第一步：环境搭建（别跳过！）
# 强烈建议用 conda，不然 pip 装 torch 可能把你 Linux 系统搞崩
conda create -n dl python=3.9
conda activate dl
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install pandas numpy scikit-learn matplotlib
💡 个人经验：别在 Windows 上折腾深度学习。我上周五晚上加班到 11 点，就因为 WSL2 的路径权限问题，差点把键盘扔了。
第二步：数据预处理（比模型还重要）
PyTorch 的 Dataset 和 DataLoader 是神器，尤其是配合 collate_fn 处理变长序列。
from torch.utils.data import Dataset, DataLoader
import pandas as pd
import torch
class CTRDataset(Dataset):
def __init__(self, df, user_map, item_map):
self.df = df
self.user_map = user_map
self.item_list = [item_map.get(x, 0) for x in df['item_seq'].apply(eval)] # 简化处理
def __len__(self):
return len(self.df)
def __getitem__(self, idx):
row = self.df.iloc[idx]
user_id = self.user_map[row['user_id']]
item_id = self.item_map.get(row['item_id'], 0)
item_seq = torch.tensor(self.item_list[idx], dtype=torch.long)
label = torch.tensor(row['label'], dtype=torch.float)
return user_id, item_id, item_seq, label
# 使用示例
train_loader = DataLoader(
CTRDataset(train_df, user2id, item2id),
batch_size=512,
shuffle=True,
collate_fn=lambda x: tuple(map(torch.stack, zip(*x))) # 自动 padding 不在这里做，简化
)
🙃 吐槽：产品经理说“数据已经清洗好了”，结果我打开 CSV 发现
item_seq字段是字符串"[1,2,3]"，还得eval()解析……这要是线上事故，我得背锅。
第三步：模型搭建（别一上来就 Transformer！）
作为新手，我一开始也想直接上 BERT4Rec，但被 leader 劝住了：“先跑通 LR + Embedding，再迭代。”
最终我选择了经典的 Wide & Deep 结构，兼顾记忆性（wide）和泛化性（deep）：
import torch.nn as nn
class WideAndDeep(nn.Module):
def __init__(self, user_num, item_num, embed_dim=64, hidden_dims=[128, 64]):
super().__init__()
# Embedding 层
self.user_embed = nn.Embedding(user_num, embed_dim)
self.item_embed = nn.Embedding(item_num, embed_dim)
# Deep 部分：MLP
input_dim = embed_dim * 2 # user + item
layers = []
for h in hidden_dims:
layers.append(nn.Linear(input_dim, h))
layers.append(nn.ReLU())
layers.append(nn.Dropout(0.2))
input_dim = h
self.deep = nn.Sequential(*layers)
# Wide 部分：直接连接原始特征（这里简化为 user_id + item_id 的交叉）
self.wide = nn.Linear(embed_dim * 2, 1)
self.final = nn.Linear(hidden_dims[-1] + 1, 1)
self.sigmoid = nn.Sigmoid()
def forward(self, user_id, item_id, _):
user_emb = self.user_embed(user_id)
item_emb = self.item_embed(item_id)
deep_input = torch.cat([user_emb, item_emb], dim=1)
deep_out = self.deep(deep_input)
wide_out = self.wide(deep_input)
combined = torch.cat([deep_out, wide_out], dim=1)
logits = self.final(combined)
return self.sigmoid(logits).squeeze()
✅ 为什么不用
item_seq？因为第一版先验证 pipeline 是否通。等基础模型 AUC > 0.7 再引入序列模型（比如 GRU 或 DIN）。
第四步：训练 & 调优（GPU 是刚需）
model = WideAndDeep(user_num, item_num).cuda()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
criterion = nn.BCELoss()
for epoch in range(10):
model.train()
total_loss = 0
for user, item, seq, label in train_loader:
user, item, label = user.cuda(), item.cuda(), label.cuda()
pred = model(user, item, seq)
loss = criterion(pred, label)
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_loss += loss.item()
print(f"Epoch {epoch}, Loss: {total_loss / len(train_loader):.4f}")
踩坑记录：
| 问题 | 解决方案 |
|---|---|
loss 一直是 0.6931（log(2)） |
标签没归一化，或者模型没学到东西 → 检查 label 是否为 float 类型 |
| 显存爆了 | 减小 batch_size，或用 torch.cuda.empty_cache()（治标不治本） |
| AUC 上不去 | 加入更多特征交叉，或换更深的网络 |
😭 最惨一次：训练跑了 3 小时，最后发现
label全是 0，因为测试集漏了正样本……当时真的想砸电脑。
第五步：效果评估（别只看 loss！）
在推荐/广告场景，AUC 和 LogLoss 比 accuracy 更有意义。
from sklearn.metrics import roc_auc_score
model.eval()
preds, labels = [], []
with torch.no_grad():
for user, item, seq, label in val_loader:
user, item = user.cuda(), item.cuda()
pred = model(user, item, seq).cpu().numpy()
preds.extend(pred)
labels.extend(label.numpy())
auc = roc_auc_score(labels, preds)
print(f"Validation AUC: {auc:.4f}")
我们的第一版 Wide&Deep 模型 AUC 达到了 0.721，虽然不高，但比原来的 LR（0.68）有提升。leader 说：“够上线灰度了。”
和 Springboot 对接：让模型真正落地
模型训完不能只在 Jupyter Notebook 里 plt.show()，得服务化。
我们用 Flask 包了一层 REST API，然后被 Springboot 服务调用：
# inference.py
from flask import Flask, request, jsonify
import torch
app = Flask(__name__)
model = torch.load('ctr_model.pth').eval().cuda()
@app.route('/predict', methods=['POST'])
def predict():
data = request.json
user_id = torch.tensor([data['user_id']]).cuda()
item_id = torch.tensor([data['item_id']]).cuda()
with torch.no_grad():
prob = model(user_id, item_id, None).item()
return jsonify({'click_prob': prob})
Springboot 侧用 RestTemplate 调用：
// Java 代码（Springboot）
ResponseEntity<Map> response = restTemplate.postForEntity(
"http://ml-service:5000/predict",
Map.of("user_id", 123, "item_id", 456),
Map.class
);
Double prob = (Double) response.getBody().get("click_prob");
🔥 真实场景：上线第一天 QPS 超过 1000，Flask 直接崩了。后来换成
TorchServe+ Docker 容器化，才扛住流量。运维说：“你这 Python 服务比 Java 还娇气。”
写在最后：PyTorch 对求职真的有用吗？
坦白讲，如果你只是想在简历上加一行“熟悉 PyTorch”，那意义不大。但现在大厂（尤其是阿里、字节、网易）的后端岗，越来越看重“工程+算法”复合能力。
我在上个月面试某大厂时，面试官看到我简历里写了“使用 PyTorch 构建 CTR 模型并上线”，直接跳过八股文，问了半小时模型结构、特征工程、线上监控——最后给了 offer。
所以，别为了学而学。带着业务问题去学 PyTorch，才是最快的成长路径。
另外，GitHub Copilot 在写 PyTorch 时真的香！比如我打 # define a GRU-based sequential model，它能自动生成完整 class，虽然要改，但省了查文档的时间。当然，别全信，有一次它把 nn.GRU 写成 nn.RNN，害我 debug 一小时……
给新手的几点建议
- 别一上来就搞大模型：先跑通 MNIST，再上业务数据。
- 重视数据质量：80% 的时间在清洗和构造特征。
- GPU 是生产力工具：公司不给配？自己租阿里云 ECS（学生机便宜）。
- 和业务方对齐指标：别只盯着 loss，问清楚“什么算好效果”。
- 简历要写具体：别写“使用深度学习提升效果”，写“通过 Wide&Deep 模型将 AUC 从 0.68 提升至 0.72，带来 GMV +3%”。
现在我已经开始研究 DIN（Deep Interest Network）了，准备把 item_seq 加进去。如果顺利，下个月就能在简历里写“精通序列建模”（手动狗头）。
如果你也在杭州，正在用 Springboot 写 CRUD，但又想往 AI 方向靠——别犹豫，从 PyTorch 开始吧。说不定哪天，你也能在双11前夜，一边喝着瑞幸，一边看着自己的模型在线上跑出收益。
共勉。
评论 0