快速开始¶
欢迎使用 Genesis 深度学习框架！本指南将帮助您在几分钟内开始使用 Genesis。
🎯 概述¶
Genesis 是一个专为学习和研究设计的轻量级深度学习框架，它提供了：
- 简洁直观的API设计
- 高性能GPU加速计算
- 完整的神经网络训练功能
- 与PyTorch生态良好的兼容性
- 混合精度训练支持（FP16/BF16）
- 内置LLM模型如Qwen
⚡ 5分钟快速体验¶
1. 安装 Genesis¶
Bash
# 安装核心依赖
pip install torch triton numpy cuda-python
# 克隆代码仓库
git clone https://github.com/phonism/genesis.git
cd genesis
# 安装 Genesis
pip install -e .
2. 第一个神经网络¶
Python
import genesis
import genesis.nn as nn
# 定义一个简单的多层感知机
class MLP(nn.Module):
def __init__(self, input_dim, hidden_dim, output_dim):
super().__init__()
self.layer1 = nn.Linear(input_dim, hidden_dim)
self.layer2 = nn.Linear(hidden_dim, output_dim)
self.relu = nn.ReLU()
def forward(self, x):
x = self.relu(self.layer1(x))
return self.layer2(x)
# 创建模型和数据
model = MLP(784, 128, 10)
x = genesis.randn(32, 784) # 批次大小32，输入维度784
# 前向传播
output = model(x)
print(f"输出形状: {output.shape}") # torch.Size([32, 10])
3. 训练循环¶
Python
import genesis.optim as optim
# 创建优化器和损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()
# 模拟训练数据
targets = genesis.randint(0, 10, (32,))
# 训练一个批次
optimizer.zero_grad() # 清零梯度
output = model(x) # 前向传播
loss = criterion(output, targets) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新参数
print(f"损失: {loss.item():.4f}")
📚 核心概念¶
张量 (Tensor)¶
Genesis中的基础数据结构，支持自动微分：
Python
import genesis
# 创建张量
x = genesis.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = genesis.tensor([4.0, 5.0, 6.0], requires_grad=True)
# 执行运算
z = x * y + x.sum()
z.backward(genesis.ones_like(z))
print(f"x的梯度: {x.grad}") # [5., 6., 7.]
print(f"y的梯度: {y.grad}") # [1., 2., 3.]
模块 (Module)¶
神经网络组件的基类：
Python
import genesis.nn as nn
class CustomLayer(nn.Module):
def __init__(self, in_features, out_features):
super().__init__()
self.weight = genesis.randn(out_features, in_features, requires_grad=True)
self.bias = genesis.zeros(out_features, requires_grad=True)
def forward(self, x):
return genesis.functional.linear(x, self.weight, self.bias)
# 使用自定义层
layer = CustomLayer(10, 5)
input_tensor = genesis.randn(3, 10)
output = layer(input_tensor)
优化器 (Optimizer)¶
参数更新算法：
Python
import genesis.optim as optim
# 不同的优化器选择
sgd_optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
adam_optimizer = optim.Adam(model.parameters(), lr=0.001)
adamw_optimizer = optim.AdamW(model.parameters(), lr=0.001, weight_decay=0.01)
🛠️ 环境配置¶
硬件要求¶
- CPU: 现代多核处理器
- 内存: 最少8GB RAM，推荐16GB+
- GPU: NVIDIA GPU with CUDA支持 (推荐)
- 存储: 至少2GB可用空间
软件依赖¶
Bash
# Python环境
Python >= 3.8
# 核心依赖
torch >= 2.0.0
triton >= 2.0.0
numpy >= 1.21.0
cuda-python >= 11.8.0 # GPU支持
# 可选依赖
matplotlib >= 3.5.0 # 用于可视化
tqdm >= 4.64.0 # 进度条
wandb >= 0.13.0 # 实验跟踪
📖 下一步¶
现在你已经了解了Genesis的基础用法，可以继续探索：
🎓 深入学习¶
🔍 架构理解¶
🚀 高级特性¶
❓ 常见问题¶
Q: Genesis与PyTorch有什么区别？¶
A: Genesis是教育导向的框架，代码更简洁易懂，适合学习深度学习的内部实现。PyTorch更适合生产环境使用。
Q: 可以在生产环境中使用Genesis吗？¶
A: Genesis主要用于教育和研究，虽然功能完整，但建议生产环境使用更成熟的框架如PyTorch。
Q: 如何获得帮助？¶
A: 可以通过GitHub Issues、Discussions或查看详细文档获得帮助。
🎉 准备好了吗？¶
让我们开始深入了解Genesis吧！