如何搭建一个简单的神经网络

搭建一个简单的神经网络可以使用 PyTorch 来实现。以下是一段搭建一个两层全连接神经网络的代码示例：

import torch
import torch.nn as nn

# 定义神经网络
class Net(nn.Module):
    def __init__(self, input_size, hidden_size, num_classes):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, num_classes)

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

# 定义输入和输出大小
input_size = 784 # 28x28
hidden_size = 500
num_classes = 10

# 创建神经网络
net = Net(input_size, hidden_size, num_classes)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# 训练神经网络
for epoch in range(10):
    for i, (images, labels) in enumerate(trainloader):
        # 将输入数据转换为神经网络所需的格式
        images = images.reshape(-1, 28*28)

        # 前向传播
        outputs = net(images)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        # 输出训练信息
        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                  .format(epoch+1, 10, i+1, len(trainloader), loss.item()))

这个神经网络有两个全连接层，并使用 ReLU 激活函数。我们使用交叉熵作为损失函数，使用随机梯度下降（SGD）优化器进行优化。在训练过程中，我们首先将输入数据转换为神经网络所需的格式，然后进行前向传播、计算损失、反向传播和优化。最后输出训练信息。