pytorch神经网络搭建

PyTorch 是一个基于 Python 的科学计算库，它支持动态计算图，使得神经网络的搭建和训练变得非常方便。以下是 PyTorch 搭建神经网络的基本步骤：

1. 导入 PyTorch 库和其他必要的库，如 numpy。

import torch
import torch.nn as nn
import numpy as np

2. 定义神经网络的结构，可以使用 PyTorch 提供的各种层（如全连接层、卷积层等）来搭建网络。

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

上面的代码定义了一个三层的全连接神经网络，输入为 784 维，输出为 10 维。

3. 定义损失函数和优化器。

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

上面的代码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. 训练神经网络。

for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        images = images.to(device)
        labels = labels.to(device)

        optimizer.zero_grad()
        outputs = net(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                  .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

上面的代码使用 PyTorch 提供的 DataLoader 加载数据，然后进行迭代训练。在每次迭代中，需要将数据和标签转换为 Tensor，并将其发送到 GPU 上（如果有的话），然后进行正向传播、计算损失、反向传播和更新模型参数。在训练过程中，可以打印出损失值和当前的训练进度。

5. 测试神经网络。

with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)
        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: {} %'.format(100 * correct / total))

上面的代码使用测试集来评估神经网络的准确率。在测试时，需要关闭梯度计算，以节省内存和时间。