### 使用 PyTorch 实现神经网络 #### 导入必要的库 为了构建和训练神经网络，首先需要导入 `torch` 和 `torch.nn` 库。 ```python import torch from torch import nn ``` #### 定义网络结构 通过继承 `nn.Module` 类来定义自定义的神经网络模型。在这个例子中，创建一个多层感知机 (MLP)，其中包含两个全连接层和ReLU激活函数[^1]。 ```python class SimpleNN(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(input_dim, hidden_dim) self.relu = nn.ReLU() self.fc2 = nn.Linear(hidden_dim, output_dim) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out ``` #### 初始化权重 当实例化上述类时，默认情况下参数会被随机初始化。如果想要显式设置初始值，则可以在构造函数内部调用特定的方法来进行操作[^2]。 ```python model = SimpleNN(input_dim=784, hidden_dim=500, output_dim=10) for m in model.modules(): if isinstance(m, nn.Linear): nn.init.normal_(m.weight.data, mean=0, std=0.01) nn.init.constant_(m.bias.data, val=0) ``` #### 前向传播过程 已经定义好了 `forward()` 方法，在每次输入数据给模型的时候都会自动调用该方法完成正向运算并得到最终的结果。 #### 设置损失函数与优化器 选择适合当前任务类型的损失函数，并指定一个有效的优化算法以便后续迭代过程中调整参数以最小化误差。 ```python criterion = nn.CrossEntropyLoss() # 对于分类问题常用交叉熵作为loss function optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # Adam optimizer with learning rate set to be 0.001 ``` #### 训练循环 编写一段简单的训练逻辑代码片段展示如何在一个epoch内执行批量处理、反向传播以及更新权值的过程。 ```python def train_model(train_loader, epochs=10): for epoch in range(epochs): running_loss = 0.0 correct_predictions = 0 for i, data in enumerate(train_loader, start=0): inputs, labels = data outputs = model(inputs.view(-1, 784)) # Flatten the images into vectors of size 784. loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() _, predicted = torch.max(outputs, dim=1) correct_predictions += (predicted == labels).sum().item() running_loss += loss.item() avg_loss = running_loss / len(train_loader.dataset) accuracy = correct_predictions / len(train_loader.dataset) print(f'Epoch [{epoch+1}/{epochs}], Loss: {avg_loss:.4f}, Accuracy: {accuracy*100:.2f}%') ```