python神经网络模型代码教学

当涉及到神经网络模型的代码教学时，Python是一个非常流行和强大的编程语言。下面是一个简单的示例，展示了如何使用Python和PyTorch库来构建一个基本的神经网络模型：

import torch
import torch.nn as nn

# 定义神经网络模型
class NeuralNetwork(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(NeuralNetwork, self).__init__()
        self.layer1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.layer2 = nn.Linear(hidden_size, num_classes)

    def forward(self, x):
        out = self.layer1(x)
        out = self.relu(out)
        out = self.layer2(out)
        return out

# 设置超参数
input_size = 784  # 输入特征的大小（MNIST数据集中的图像大小为28x28）
hidden_size = 500  # 隐藏层的大小
num_classes = 10  # 输出类别的数量（MNIST数据集中有10个数字类别）

# 创建模型实例
model = NeuralNetwork(input_size, hidden_size, num_classes)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)

# 训练模型
num_epochs = 5
batch_size = 100

for epoch in range(num_epochs):
    for i in range(0, len(train_dataset), batch_size):
        images = train_dataset[i:i+batch_size]
        labels = train_labels[i:i+batch_size]

        # 前向传播
        outputs = model(images)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item()}')

# 使用模型进行预测
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_dataset:
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    accuracy = correct / total
    print(f'Accuracy on test images: {accuracy}')

这个示例展示了一个简单的全连接神经网络模型，用于对MNIST手写数字数据集进行分类。代码中包含了模型的定义、损失函数和优化器的设置、训练过程以及使用模型进行预测的过程。