torch实现神经网络

使用 PyTorch 实现神经网络的一般步骤如下：

1. 定义模型结构：使用 `torch.nn` 模块中的类定义神经网络的结构，例如 `nn.Linear` 定义全连接层，`nn.Conv2d` 定义卷积层，`nn.ReLU` 定义激活函数等等。

2. 定义损失函数：使用 `torch.nn` 模块中的类定义损失函数，例如 `nn.MSELoss` 定义均方误差损失函数，`nn.CrossEntropyLoss` 定义交叉熵损失函数等等。

3. 定义优化器：使用 `torch.optim` 模块定义优化器，例如 `optim.SGD` 定义随机梯度下降优化器，`optim.Adam` 定义 Adam 优化器等等。

4. 训练模型：将输入数据传入模型中，计算损失并反向传播，更新模型参数。

5. 测试模型：将测试数据传入模型中，计算输出结果并评估模型性能。

下面是一个简单的例子，演示如何使用 PyTorch 实现一个全连接神经网络：

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

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 = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Net()

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

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()
    print('Epoch %d loss: %.3f' % (epoch + 1, running_loss / len(trainloader)))

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: %.2f %%' % (100 * correct / total))

在这个例子中，我们定义了一个包含三个全连接层的神经网络，并使用交叉熵损失函数和随机梯度下降优化器进行训练。在每个 epoch 结束时，我们输出当前的损失值，最后评估模型的性能并输出准确率。