怎样用pytorch写深度神经网络

以下是一个简单的例子，展示如何使用PyTorch编写深度神经网络：

import torch
import torch.nn as nn

# 定义一个简单的神经网络类
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 512) # 输入层到隐藏层
        self.fc2 = nn.Linear(512, 256) # 隐藏层到隐藏层
        self.fc3 = nn.Linear(256, 10) # 隐藏层到输出层

    def forward(self, x):
        x = x.view(-1, 784) # 将输入张量变形为一维向量
        x = torch.relu(self.fc1(x)) # 第一个隐藏层，使用ReLU激活函数
        x = torch.relu(self.fc2(x)) # 第二个隐藏层，使用ReLU激活函数
        x = self.fc3(x) # 输出层
        return x

# 实例化神经网络并定义损失函数和优化器
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.01)

# 加载数据集
train_set = ...
test_set = ...

# 训练神经网络
for epoch in range(10): # 迭代10次
    running_loss = 0.0
    for i, data in enumerate(train_set, 0):
        inputs, labels = data

        # 将输入和标签转换为PyTorch张量
        inputs = torch.tensor(inputs)
        labels = torch.tensor(labels)

        # 将梯度清零，进行前向传播、反向传播和优化
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # 计算损失值
        running_loss += loss.item()
        if i % 1000 == 999: # 每1000个小批次输出一次损失值
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 1000))
            running_loss = 0.0

# 在测试集上评估神经网络
correct = 0
total = 0
with torch.no_grad():
    for data in test_set:
        inputs, labels = data
        inputs = torch.tensor(inputs)
        labels = torch.tensor(labels)
        outputs = net(inputs)
        _, 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))

这个例子演示了如何定义一个简单的神经网络，加载数据集，训练神经网络，并在测试集上评估其性能。在训练过程中，我们使用交叉熵损失函数和随机梯度下降优化器进行优化。在测试集上，我们计算神经网络的准确率。