使用pytorch搭建

在PyTorch中搭建一个基础的深度学习网络通常包括以下几个步骤：

1. 导入所需模块：首先需要导入PyTorch的核心模块 `torch` 和可能用于卷积神经网络（CNN）的 `torch.nn` 包。

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

2. 定义网络结构：定义一个自定义的类，继承自 `nn.Module`，这是创建PyTorch模型的标准做法。

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv_layer = nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0)  # 根据需要填充参数
        self.fc_layer = nn.Linear(in_features, num_classes)  # 全连接层

    def forward(self, x):
        x = F.relu(self.conv_layer(x))  # 使用激活函数，如ReLU
        x = x.view(-1, self.num_flat_features(x))  # 拉平数据
        return self.fc_layer(x)

    def num_flat_features(self, x):
        size = x.size()[1:]  # 排除batch_size维度
        num_features = 1
        for s in size:
            num_features *= s
        return num_features

3. 初始化网络并设置优化器和损失函数：实例化网络，并选择适合的优化算法（如SGD、Adam等），以及损失函数（比如交叉熵损失）。

model = MyModel()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)
criterion = nn.CrossEntropyLoss()  # 对于多分类问题

4. 训练循环：通过迭代训练数据，进行前向传播、反向传播和更新权重。

for epoch in range(num_epochs):
    running_loss = 0.0
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    print(f"Epoch {epoch+1}, Loss: {running_loss / len(train_loader)}")