如何在PyTorch中创建并训练一个简单的神经网络？

在PyTorch中创建并训练一个简单的神经网络通常涉及以下几个步骤：

1. **导入库**:
首先，你需要导入必要的库，包括`torch`和可能用于数据处理的`torchvision`（如果使用图像数据）：

import torch
import torch.nn as nn
import torchvision.datasets as dsets

2. **定义网络结构**:
使用`nn.Module`作为基础，创建一个继承自它的类，比如定义一个简单的全连接网络（Linear Model）：

class SimpleNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

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

3. **准备数据**:
加载数据集并将其转换成张量。例如，如果你在处理MNIST手写数字，可以这样做：

dataset = dsets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True)
train_loader = torch.utils.data.DataLoader(dataset, batch_size=64, shuffle=True)

4. **创建并配置模型**:
创建网络实例，并设置优化器和损失函数：

model = SimpleNet(784, 128, 10)  # 假设输入大小为784，隐藏层大小为128，输出层大小为10类
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)
loss_fn = nn.CrossEntropyLoss()  # 对于分类任务通常选择交叉熵损失

5. **训练循环**:
进行训练，每次迭代包括前向传播、损失计算、反向传播以及更新权重：

for epoch in range(num_epochs):  # num_epochs是你想要训练的轮数
    for data, target in train_loader:
        output = model(data)
        loss = loss_fn(output, target)
        optimizer.zero_grad()  # 清空梯度
        loss.backward()  # 反向传播
        optimizer.step()  # 更新权重

6. **评估**:
训练完成后，可以用测试数据集评估模型性能。