pytorch模型网络构建函数

PyTorch是一种流行的深度学习框架，其网络构建通常通过定义层（Layers）和模块（Modules）来实现。网络构建函数一般包含以下几个步骤：

1. **导入必要的库**：首先需要导入`torch`库以及可能使用的其他模块如`nn.Module`（用于定义自定义网络层），`nn.Linear`、`nn.Conv2d`等基础层。

import torch
import torch.nn as nn

2. **定义网络类**：继承自`nn.Module`，因为所有PyTorch模型都是`Module`的实例。在这个类中，你需要定义网络结构，包括输入层、隐藏层和输出层。

class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        # 添加层
        self.fc1 = nn.Linear(in_features, hidden_size)  # 全连接层
        self.relu = nn.ReLU()  # 激活函数
        self.fc2 = nn.Linear(hidden_size, out_features)  # 输出层

    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

3. **初始化网络**：创建`MyModel`类的一个实例，并设置网络参数。

model = MyModel()

4. **模型训练和预测**：使用`.to(device)`将模型和数据移动到GPU或CPU上，然后可以使用`.train()`和`.eval()`模式进行训练和推理，以及`.forward(input)`来获取模型对输入的预测结果。

model.to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

for epoch in range(num_epochs):
    model.train()  # 进入训练模式
    for data, target in train_loader:
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)  # 使用交叉熵损失或其他适合的损失函数
        loss.backward()
        optimizer.step()

model.eval()  # 进入评估模式
with torch.no_grad():
    predictions = model(test_data)