pytorch搭建神经网络

在 PyTorch 中搭建神经网络可以分为以下几个步骤：

1. 导入必要的库和模块

import torch
import torch.nn as nn
import torch.optim as optim

2. 定义神经网络结构

在 PyTorch 中，可以通过继承 nn.Module 类来定义神经网络结构。具体来说，需要在 __init__ 方法中定义网络的各个层，以及在 forward 方法中定义前向传播的流程。

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

上面的代码定义了一个简单的卷积神经网络，包含两个卷积层、两个池化层和三个全连接层。

3. 定义损失函数和优化器

在训练神经网络时，需要定义损失函数和优化器。PyTorch 中提供了多种常见的损失函数和优化器，可以根据实际情况选择使用。

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

上面的代码定义了交叉熵损失函数和随机梯度下降优化器。

4. 训练神经网络

在定义好神经网络结构、损失函数和优化器后，就可以开始训练神经网络了。训练过程包括多个 epoch，每个 epoch 中包含多个 batch。

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

上面的代码展示了训练神经网络的过程，其中 trainloader 是一个 DataLoader 对象，用于加载训练数据。在每个 batch 中，需要先将 optimizer 的梯度清零，然后计算预测值和损失，最后反向传播更新参数。

5. 使用训练好的神经网络进行预测

在训练好神经网络后，可以使用它来进行预测。具体来说，需要将测试数据输入到神经网络中，然后得到预测结果。

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

上面的代码展示了使用训练好的神经网络进行预测的过程。其中 testloader 是一个 DataLoader 对象，用于加载测试数据。在预测过程中，需要将输出结果转换为概率值，然后取最大概率对应的类别作为预测结果。最后可以计算模型的准确率。