### PyTorch神经网络接口定义与使用 在PyTorch中，构建自定义神经网络模型通常通过继承`torch.nn.Module`类来实现。此类提供了一个灵活且强大的框架用于创建各种类型的深度学习架构。 #### 定义一个简单的全连接层网络 为了展示如何定义和初始化一个基本的前馈神经网络，在Python代码中可以如下操作： ```python import torch from torch import nn class SimpleNN(nn.Module): def __init__(self, input_size=784, hidden_sizes=[128, 64], output_size=10): super(SimpleNN, self).__init__() # 构建各层结构 layers = [] current_input_size = input_size for hsize in hidden_sizes: layers.append(nn.Linear(current_input_size, hsize)) layers.append(nn.ReLU()) current_input_size = hsize layers.append(nn.Linear(current_input_size, output_size)) layers.append(nn.LogSoftmax(dim=1)) self.model = nn.Sequential(*layers) def forward(self, x): return self.model(x) model = SimpleNN() print(model) ``` 这段代码展示了怎样利用`nn.Module`作为基类去建立一个多层感知器（MLP），并设置了线性变换以及激活函数[^1]。 #### 使用预训练权重加载模型 当涉及到迁移学习或其他场景下需要加载预先训练好的参数时，可以通过下面的方式完成： ```python pretrained_dict = torch.load('path_to_pretrained_model.pth') model.load_state_dict(pretrained_dict) ``` 这允许快速应用已有的知识到新的任务上，从而加速收敛过程或提高性能表现。 #### 训练循环中的模型调用 对于任何基于梯度下降优化算法的学习流程而言，都会有一个典型的训练迭代周期。在这个过程中，会反复执行正向传播、损失计算、反向传播更新三个主要步骤: ```python criterion = nn.NLLLoss() # 负对数似然损失适用于分类问题 optimizer = optim.Adam(model.parameters(), lr=learning_rate) for epoch in range(num_epochs): running_loss = 0 for images, labels in train_loader: optimizer.zero_grad() log_ps = model(images.view(-1, 784)) # 前向传递 loss = criterion(log_ps, labels) # 损失评估 loss.backward() # 反向传播 optimizer.step() # 参数更新 running_loss += loss.item() print(f"Epoch {epoch}, Training Loss: {running_loss / len(train_loader)}") ``` 上述脚本片段说明了在一个完整的训练轮次里应该如何正确地处理数据批次，并有效地调整网络内部可学参数以最小化指定的目标函数值。