### 使用 PyTorch 生成代码示例 #### 创建并初始化神经网络模型 为了展示如何使用 PyTorch 构建和操作深度学习模型，下面提供了一个简单的全连接神经网络定义及其训练过程。 ```python import torch from torch import nn, optim from torchvision import datasets, transforms class SimpleNN(nn.Module): def __init__(self): super(SimpleNN, 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) # 将输入展平成一维向量 x = torch.relu(self.fc1(x)) x = torch.relu(self.fc2(x)) x = self.fc3(x) return x # 初始化模型实例 model = SimpleNN() ``` 此段代码创建了一个三层的前馈神经网络结构[^1]。 #### 数据预处理与加载器设置 接着配置数据集转换以及批量读取机制： ```python transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST('./data', train=False, transform=transform) batch_size = 64 kwargs = {'num_workers': 1, 'pin_memory': True} if torch.cuda.is_available() else {} train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True, **kwargs) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False, **kwargs) ``` 这里设置了 `DataLoader` 来管理 mini-batch 的提取工作，并考虑到了不同操作系统环境下的兼容性问题[^3]。 #### 定义损失函数和优化算法 选择交叉熵作为分类任务的目标函数，并采用随机梯度下降法来进行参数更新： ```python criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9) ``` 这部分实现了基本的学习策略设定。 #### 训练循环逻辑实现 最后编写一段完整的训练流程控制语句来迭代整个数据集多次直至收敛： ```python epochs = 5 for epoch in range(epochs): # 遍历多轮次的数据集 running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: # 打印每一百批次的状态报告 print(f'Epoch [{epoch + 1}/{epochs}], Step [{i + 1}], Loss: {running_loss / 100:.4f}') running_loss = 0.0 print('Finished Training') ``` 上述脚本展示了标准的监督式机器学习框架下完成一次端到端的任务开发所涉及的主要环节[^2]。 #### 测试模型性能评估 当完成了若干周期的有效训练之后，还需要对构建出来的预测系统做必要的验证检验： ```python correct = 0 total = 0 with torch.no_grad(): for data in test_loader: images, labels = data outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() accuracy = 100 * correct / total print(f'Test Accuracy of the network on the 10000 test images: {accuracy}%') ``` 这段程序计算了测试集中所有样本被正确识别的比例，以此衡量当前版本模型的实际效能表现。 #### 模型持久化存储 一旦得到满意的实验成果，则有必要将其序列化以便后续重复利用或部署上线： ```python torch.save(model.state_dict(), './simple_nn.pth') # 保存模型状态字典至文件 loaded_model = SimpleNN() # 新建同构架构的对象实体 loaded_model.load_state_dict(torch.load('./simple_nn.pth')) # 载入先前记录下来的权重参数 loaded_model.eval() # 设置为推理模式而非训练态 ``` 通过这种方式可以在不丢失任何已学得的知识前提下轻松切换不同的硬件平台执行推断作业。