pytorch 代码运行

PyTorch是一种基于Python的深度学习库，它提供了动态计算图和易于使用的API，使得神经网络模型的构建和训练变得简单。在PyTorch中编写代码的基本步骤如下：

1. **安装PyTorch**：首先需要安装PyTorch库及其依赖，通常通过pip命令完成。

pip install torch torchvision

2. **导入库**：在Python文件中，你会导入`torch`库及其相关的模块如`nn`（用于定义神经网络）、`data`（处理数据集）等。

import torch
import torch.nn as nn
import torchvision.datasets as datasets
from torch.utils.data import DataLoader

3. **创建模型**：定义一个神经网络结构，例如一个简单的全连接层或卷积神经网络。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc = nn.Linear(784, 10)  # 对于MNIST数据集

    def forward(self, x):
        return torch.sigmoid(self.fc(x))

4. **加载数据**：使用`torchvision`中的`ImageFolder`来加载图像数据，并使用`DataLoader`将数据分批读取。

train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)

5. **训练模型**：设置优化器和损失函数，然后遍历数据集进行前向传播、反向传播和更新权重。

model = Net()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

for epoch in range(num_epochs):
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()  # 清空梯度
        loss.backward()  # 反向传播
        optimizer.step()  # 更新权重

6. **评估和保存模型**：在验证集上评估性能，然后可以选择保存训练好的模型以便后续使用。

# ... (评估部分)
torch.save(model.state_dict(), 'model.pth')