pytorch搭建神经网络

PyTorch是一个开源的深度学习框架，它提供了一系列的工具和接口，使得用户可以方便地搭建、训练和部署神经网络模型。下面是一个简单的PyTorch神经网络搭建示例：

1. 导入必要的库

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

2. 定义网络结构

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 512)
        self.fc2 = nn.Linear(512, 256)
        self.fc3 = nn.Linear(256, 10)

    def forward(self, x):
        x = x.view(-1, 784)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

以上代码定义了一个三层全连接神经网络，输入层大小为784，隐藏层1大小为512，隐藏层2大小为256，输出层大小为10。

3. 定义损失函数和优化器

criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.9)

这里使用交叉熵作为损失函数，使用随机梯度下降（SGD）作为优化器。

4. 训练模型

for epoch in range(10):
    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:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

这里训练模型共10个epoch，每个epoch遍历一次数据集。在每个epoch内，循环遍历数据集中的所有样本，计算损失并进行反向传播和参数更新。最后输出每个epoch的平均损失。

5. 测试模型

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = net(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

这里使用测试集测试模型的准确率。

以上就是一个简单的PyTorch神经网络搭建示例。