### PyTorch 神经网络模型训练教程 PyTorch 是一个功能强大且灵活的深度学习框架，广泛应用于神经网络模型的构建与训练。以下内容将详细介绍如何使用 PyTorch 进行神经网络模型的训练，并结合相关引用提供专业指导。 #### 1. 构建神经网络 在 PyTorch 中，可以通过继承 `nn.Module` 类来定义神经网络模型[^3]。以下是一个简单的全连接神经网络示例： ```python import torch import torch.nn as nn import torch.nn.functional as F class NeuralNetwork(nn.Module): def __init__(self): super(NeuralNetwork, self).__init__() self.fc1 = nn.Linear(784, 128) # 输入层到隐藏层 self.fc2 = nn.Linear(128, 64) # 隐藏层到输出层前一层 self.fc3 = nn.Linear(64, 10) # 输出层 def forward(self, x): x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x ``` #### 2. 数据加载与预处理 在训练模型之前，需要准备数据集并进行预处理。PyTorch 提供了 `torch.utils.data.DataLoader` 和 `torchvision.transforms` 等工具来简化这一过程[^1]。例如，对于 MNIST 数据集的加载和预处理可以如下实现： ```python from torchvision import datasets, transforms from torch.utils.data import DataLoader transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) ``` #### 3. 定义损失函数与优化器 选择合适的损失函数和优化器是模型训练的重要步骤。常用的损失函数包括交叉熵损失（`CrossEntropyLoss`）和均方误差损失（`MSELoss`）。优化器则可以选择 SGD、Adam 等[^4]。 ```python model = NeuralNetwork() criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` #### 4. 模型训练 模型训练的核心在于通过反向传播更新参数。以下是一个简单的训练循环示例： ```python epochs = 10 for epoch in range(epochs): running_loss = 0.0 for images, labels in train_loader: optimizer.zero_grad() outputs = model(images.view(images.shape[0], -1)) # 展平输入 loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f"Epoch {epoch+1}/{epochs}, Loss: {running_loss/len(train_loader)}") ``` #### 5. 模型保存与加载 训练完成后，可以保存模型以便后续使用。PyTorch 提供了多种方式保存和加载模型，包括保存整个模型或仅保存模型参数。 ```python # 保存模型 torch.save(model.state_dict(), 'model.pth') # 加载模型 model = NeuralNetwork() model.load_state_dict(torch.load('model.pth')) model.eval() ``` #### 6. 使用预训练模型 在某些场景下，可以直接使用预训练模型并根据任务需求进行微调。以下是使用 ResNet50 的示例代码[^2]： ```python from torchvision import models # 加载带有预训练权重的 ResNet50 model = models.resnet50(weights=models.ResNet50_Weights.DEFAULT) # 替换最后一层以适应新任务 num_ftrs = model.fc.in_features model.fc = nn.Linear(num_ftrs, 10) # 假设有 10 个类别 ``` --- ###