### PyTorch 神经网络基础入门教程 #### 1. 环境准备 在开始之前，确保已安装 Python 和必要的库。可以通过以下命令安装 PyTorch： ```bash pip install torch torchvision ``` 环境准备好之后，可以导入所需的模块并设置设备（CPU 或 GPU）。以下是常见的初始化代码片段[^1]。 ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader device = torch.device("cuda" if torch.cuda.is_available() else "cpu") ``` --- #### 2. 数据预处理 为了训练神经网络，通常需要对数据进行标准化或其他形式的预处理。以 MNIST 手写数字识别为例，可以使用 `torchvision.transforms` 来定义转换操作，并通过 `DataLoader` 加载数据集[^3]。 ```python transform = transforms.Compose([ transforms.ToTensor(), # 将图像转为 Tensor 并缩放到 [0, 1] transforms.Normalize((0.5,), (0.5,)) # 归一化到 [-1, 1] ]) train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transform) train_loader = DataLoader(dataset=train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=64, shuffle=False) ``` --- #### 3. 定义神经网络结构 利用 PyTorch 提供的 `nn.Module` 类构建自定义神经网络模型。下面是一个简单的全连接神经网络示例。 ```python class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(784, 128) # 输入层 -> 隐藏层 self.relu = nn.ReLU() self.fc2 = nn.Linear(128, 10) # 隐藏层 -> 输出层 def forward(self, x): x = x.view(-1, 784) # 展平输入张量 x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x model = SimpleNet().to(device) ``` --- #### 4. 设置损失函数与优化器 对于分类任务，常用交叉熵作为损失函数；Adam 是一种流行的优化算法。这里展示了如何配置它们[^2]。 ```python criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` --- #### 5. 训练过程 遍历数据集多次（即多个 epoch），每次迭代更新权重参数。下面是完整的训练循环逻辑。 ```python num_epochs = 3 for epoch in range(num_epochs): model.train() running_loss = 0.0 for images, labels in train_loader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() # 清零梯度 outputs = model(images) # 前向传播 loss = criterion(outputs, labels) # 计算损失 loss.backward() # 反向传播 optimizer.step() # 更新参数 running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}') ``` --- #### 6. 测试模型性能 完成训练后，在测试集上评估模型的表现。计算预测准确率可以帮助衡量模型的效果。 ```python correct = 0 total = 0 model.eval() with torch.no_grad(): for images, labels in test_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print(f'Accuracy on the test set: {(100 * correct / total):.2f}%') ``` --- #### 7. 使用前向传播验证单个样本 如果想查看某个具体样本的预测结果，可以直接调用模型的 `forward()` 方法。 ```python image, label = next(iter(test_loader)) output = model(image[:1].to(device)) _, prediction = torch.max(output, 1) print(f'Predicted class: {prediction.item()}, True class: {label[0]}') ``` ---