pytorch搭建分类网络

PyTorch是一个基于Python的科学计算库，它是一个用于构建深度学习模型的框架，提供了丰富的API和工具，方便用户进行模型训练和推理。下面是一个简单的PyTorch搭建分类网络的示例代码：

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

# Define the neural network architecture
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# Create the neural network instance
net = Net()

# Define the loss function and optimizer
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

# Train the neural network
for epoch in range(10):  # loop over the dataset multiple times

    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data

        # zero the parameter gradients
        optimizer.zero_grad()

        # forward + backward + optimize
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        # print statistics
        running_loss += loss.item()
        if i % 2000 == 1999:    # print every 2000 mini-batches
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

print('Finished Training')

在上述代码中，我们定义了一个名为`Net`的类，该类继承自`nn.Module`，并且包含了卷积层、池化层和全连接层。我们还定义了损失函数和优化器，并在训练时使用了它们。在训练过程中，我们使用`enumerate()`函数遍历了训练集，并在每个迭代中计算了模型的输出和损失，并使用反向传播优化模型的参数。最后，我们训练了10个epoch，并打印了训练过程中的损失。

请注意，这只是一个简单的示例，实际应用中的神经网络可能会更加复杂，并且需要根据具体问题进行调整。