pytorch demo

### PyTorch 初学者示例代码教程

对于初学者而言，探索 PyTorch 的最佳方式之一是从官方提供的简单实例入手。这些例子不仅有助于理解框架的基础概念，还能展示如何构建和训练神经网络模型。

#### 图像分类任务入门脚本
为了帮助新手快速上手，许多项目会提供 `tutorial` 文件夹，在其中可以找到适合入门级别的 Python 脚本[^2]。例如：

python tutorial/example.py

此命令用于执行位于 `tutorial` 目录下的 `example.py` 文件，该文件通常包含了完整的图像分类流程实现，包括数据加载、模型定义以及训练过程等重要环节。

#### 完整的 MNIST 数据集卷积神经网络 (CNN) 实现
下面给出的是基于 PyTorch 构建的一个简易 CNN 来处理经典的 MNIST 手写数字识别问题的完整代码片段:

import torch
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import torch.nn.functional as F


class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(in_channels=1, out_channels=32, kernel_size=(5, 5))
        self.pool = torch.nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc1 = torch.nn.Linear(in_features=32 * 12 * 12, out_features=128)

    def forward(self, x):
        batch_size = x.size()[0]

        x = self.pool(F.relu(self.conv1(x)))
        x = x.view(batch_size, -1)
        x = F.relu(self.fc1(x))

        return x


transform = transforms.Compose([
    transforms.ToTensor(),
])

train_dataset = datasets.MNIST(root='./data', train=True,
                               download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False,
                              download=True, transform=transform)


batch_size = 64
learning_rate = 0.001
num_epochs = 5

device = 'cuda' if torch.cuda.is_available() else 'cpu'

model = Net().to(device=device)

criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

for epoch in range(num_epochs):

    model.train()

    loader_train = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)

    for i, data in enumerate(loader_train):
        inputs, labels = data[0].to(device), data[1].to(device)

        optimizer.zero_grad()

        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()


print('Finished Training')

这段代码展示了如何利用 PyTorch 创建并训练一个简单的卷积神经网络来解决 MNIST 数字识别的任务。通过调整超参数设置如批次大小 (`batch_size`) 和学习率 (`learning_rate`) 可以进一步优化性能表现[^1]。