Pytorch构建模型

PyTorch 是一种基于 Python 的深度学习框架，可以方便地创建和训练神经网络模型。下面介绍一下如何使用 PyTorch 构建模型。
首先，需要导入 PyTorch 库：
import torch
import torch.nn as nn
import torch.optim as optim
登录后复制
接下来，定义模型。可以使用 nn.Module 类来定义一个自定义的神经网络模型，例如：
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(3, 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
登录后复制
这里定义了一个名为 Net 的类，继承了 nn.Module 类。在 __init__ 方法中，定义了模型的结构，包括卷积层、池化层和全连接层等。在 forward 方法中，定义了模型的前向传播过程。
接着，定义损失函数和优化器：
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
登录后复制
这里使用了交叉熵损失函数和随机梯度下降（SGD）优化器。
最后，训练模型：
for epoch in range(2): # 多次循环数据集
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: # 每 2000 个小批次打印一次损失
print('[%d, %5d] loss: %.3f' %
(epoch + 1, i + 1, running_loss / 2000))
running_loss = 0.0
登录后复制
在训练过程中，首先将梯度清零，然后将输入数据传递给模型进行前向传播，并计算损失。然后反向传播误差和更新模型参数。最后，根据需要打印训练过程中的损失。
以上就是使用 PyTorch 构建模型的基本流程。