使用pytorch训练全连接神经网络

首先需要导入 PyTorch 库：

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

接下来定义一个全连接神经网络模型（也称为多层感知机，MLP），该模型由多个线性层和激活函数组成。下面是一个简单的例子，包含两个隐藏层和一个输出层：

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 10)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = x.view(-1, 784)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.fc3(x)
        return x

其中，`nn.Linear` 表示线性层，第一个参数是输入特征数，第二个参数是输出特征数。`nn.ReLU` 表示 ReLU 激活函数。

下一步是定义模型的损失函数和优化器：

net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

其中，`nn.CrossEntropyLoss` 表示交叉熵损失函数，`optim.SGD` 表示随机梯度下降优化器，`lr` 表示学习率，`momentum` 表示动量。

接下来是模型的训练过程：

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()
        if i % 1000 == 999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 1000))
            running_loss = 0.0

其中，`trainloader` 是训练数据的数据加载器，`enumerate` 函数用于遍历数据集，`inputs` 和 `labels` 分别表示输入和标签。

在每个 epoch 中，模型会遍历整个训练集，计算损失并更新参数。每隔一定的步数打印一次损失。

最后，我们可以使用测试集对模型进行评估：

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 of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

其中，`testloader` 是测试数据的数据加载器，`torch.no_grad()` 表示不需要计算梯度，`torch.max` 表示返回最大值和索引。

这就是使用 PyTorch 训练全连接神经网络的基本流程。