从 sklearn 到 PyTorch
本节定位
如果说 scikit-learn 像自动挡汽车，那么 PyTorch 更像手动挡汽车。
scikit-learn帮你把很多细节都封装好了PyTorch让你自己控制模型、损失函数、梯度和训练流程
学会这节，你会知道自己到底是从哪里“换挡”的。
学习目标
- 理解
sklearn和PyTorch的职责差异 - 建立数据、模型、损失函数、优化器、训练循环的整体心智模型
- 用一个最小例子同时跑通
sklearn和PyTorch - 明白为什么深度学习需要 PyTorch 这种“更底层”的框架
一、为什么学完 sklearn 还要学 PyTorch？
在第 5 站里，你已经用过 scikit-learn：
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)
pred = model.predict(X_test)
这套体验很舒服，但也意味着 很多东西被“藏起来”了：
| 你做的事 | sklearn 帮你做了什么 |
|---|---|
| 选模型 | 定义了参数结构 |
调 fit() | 自动完成前向计算、求损失、求梯度、更新参数 |
调 predict() | 自动完成推理 |
而在 PyTorch 中，这些步骤要拆开来写：
| 步骤 | 你需要自己处理什么 |
|---|---|
| 准备数据 | 把数据转成 Tensor |
| 定义模型 | 用 nn.Module 或 nn.Sequential 写网络 |
| 定义损失函数 | 例如 nn.MSELoss() |
| 定义优化器 | 例如 torch.optim.SGD() |
| 训练循环 | forward -> loss -> backward -> step |
这看起来更麻烦，但换来的好处是：
- 你可以定义任何网络结构
- 你可以控制训练过程的每一步
- 你可以做 CNN、RNN、Transformer、大模型微调这些
sklearn很难覆盖的事
二、把两者放在一张图里看
- 在
sklearn里，这条链路大多被包进了fit() - 在
PyTorch里，这条链路会完整暴露出来
所以 PyTorch 的学习重点不是“多几个 API”，而是：
你开始真正接触模型训练的内部结构。
三、一个最小对照实验
运行环境
下面的代码可以直接运行。若你本地还没安装依赖：
pip install numpy scikit-learn torch
我们来做一个最简单的线性回归任务：已知学习时长，预测考试分数。
3.1 用 sklearn 训练
import numpy as np
from sklearn.linear_model import LinearRegression
# 学习时长（小时）
X = np.array([[1.0], [2.0], [3.0], [4.0], [5.0]], dtype=np.float32)
# 对应分数
y = np.array([52.0, 59.0, 66.0, 73.0, 80.0], dtype=np.float32)
sk_model = LinearRegression()
sk_model.fit(X, y)
print("sklearn 截距:", round(float(sk_model.intercept_), 2))
print("sklearn 权重:", round(float(sk_model.coef_[0]), 2))
print("学习 6 小时的预测分数:", round(float(sk_model.predict([[6.0]])[0]), 2))
你会得到一条直线模型，过程非常顺滑。
3.2 用 PyTorch 训练同一个任务
import torch
from torch import nn
torch.manual_seed(42)
# 1. 数据转成张量
X_torch = torch.tensor([[1.0], [2.0], [3.0], [4.0], [5.0]])
y_torch = torch.tensor([[52.0], [59.0], [66.0], [73.0], [80.0]])
# 2. 定义模型：一个线性层 y = wx + b
model = nn.Linear(in_features=1, out_features=1)
# 3. 定义损失函数
loss_fn = nn.MSELoss()
# 4. 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# 5. 训练循环
for epoch in range(1000):
pred = model(X_torch) # forward
loss = loss_fn(pred, y_torch) # 计算损失
optimizer.zero_grad() # 清空旧梯度
loss.backward() # backward
optimizer.step() # 更新参数
if epoch % 200 == 0:
print(f"epoch={epoch:4d}, loss={loss.item():.4f}")
weight = model.weight.item()
bias = model.bias.item()
pred_6 = model(torch.tensor([[6.0]])).item()
print("PyTorch 截距:", round(bias, 2))
print("PyTorch 权重:", round(weight, 2))
print("学习 6 小时的预测分数:", round(pred_6, 2))
四、你真正新增学会了什么？
上面的 PyTorch 代码虽然比 sklearn 长，但它暴露出了深度学习最核心的 5 个组件：
| 组件 | 类比 | 作用 |
|---|---|---|
| 数据 | 食材 | 模型要加工的输入 |
| 模型 | 厨师 | 决定怎么把输入变成输出 |
| 损失函数 | 评分表 | 判断模型做得好不好 |
| 优化器 | 调参师 | 根据误差去改参数 |
| 训练循环 | 每日复盘 | 重复试错直到效果变好 |
以后你学 CNN、Transformer、RAG 微调、本地模型训练，本质上都还是这五件事，只是模型结构变复杂了。
五、什么时候继续用 sklearn，什么时候切 PyTorch？
更适合 sklearn 的情况
- 表格数据为主
- 模型是线性回归、逻辑回归、树模型、随机森林、XGBoost 一类
- 你更在意快速建模与调参
更适合 PyTorch 的情况
- 图像、语音、文本等非结构化数据
- 需要自定义网络结构
- 需要 GPU 训练
- 需要微调预训练模型
- 需要自己控制训练细节
一句话记忆：
sklearn擅长“传统机器学习的高效应用”，PyTorch擅长“深度学习的灵活构建”。
六、常见误区
误区 1：PyTorch 只是另一个建模库
不对。它更像是一个“深度学习搭建平台”。
你不只是调用模型，而是在搭建训练系统。
误区 2：PyTorch 比 sklearn 高级，所以以后都用它
也不对。工程上最重要的是选合适的工具。
很多表格任务里，sklearn 和树模型依然是首选。
误区 3：只要会写训练循环，就等于理解了深度学习
训练循环只是外壳。你还要继续理解：
- 张量和自动求导
nn.Module- 数据加载
- 模型调试
- 训练稳定性和评估方法
这些内容就是本章接下来几节要补上的。
七、本章之后你应该会的事
学完这一小节，你至少应该能回答下面三个问题：
sklearn.fit()到底替你藏了哪些步骤？- 为什么 PyTorch 训练一定绕不开损失函数和优化器？
- 为什么“模型 + 损失 + 优化器 + 训练循环”会成为后面所有深度学习课程的共同结构？
如果这三个问题你已经能说清楚，说明桥已经搭起来了。
练习
- 把上面例子里的学习时长和分数改成你自己的数据，再分别用
sklearn和PyTorch训练一次。 - 把
PyTorch里的学习率从0.01改成0.1和0.001，观察损失下降速度变化。 - 试着打印每 100 轮的
weight和bias，看看参数是怎么逐步逼近答案的。