### 使用 PyTorch 搭建神经网络教程 #### 1. 导入必要的库 为了构建一个简单的神经网络，首先需要导入一些基本的 PyTorch 库。这些库包括 `torch`、`torch.nn`（用于定义神经网络模块）、`torch.optim`（用于优化器）以及 `DataLoader` 和 `TensorDataset`（用于数据加载和处理）。以下是具体的代码实现： ```python import torch from torch import nn, optim from torch.utils.data import DataLoader, TensorDataset ``` 上述代码片段展示了如何引入所需的依赖项[^2]。 --- #### 2. 数据准备 在实际应用中，通常会使用真实世界的数据集来训练模型。然而，在本案例中，我们可以创建一组简单的人工数据作为输入特征和目标标签。以下是一个示例代码： ```python # 创建人工数据 X_train = torch.tensor([[0.5], [1.0], [2.0]], dtype=torch.float32) y_train = torch.tensor([[1.0], [-1.0], [3.0]], dtype=torch.float32) # 将数据封装到 TensorDataset 中 train_dataset = TensorDataset(X_train, y_train) # 定义 DataLoader 来批量读取数据 batch_size = 2 train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) ``` 这段代码说明了如何将张量转换为可迭代的形式以便于后续训练过程中的批量化操作。 --- #### 3. 定义神经网络架构 接下来，我们需要设计一个具有单隐藏层的前馈神经网络。此网络由输入层、隐藏层和输出层组成。具体实现如下所示： ```python class SimpleNN(nn.Module): def __init__(self): super(SimpleNN, self).__init__() self.hidden_layer = nn.Linear(1, 8) # 输入维度为1，隐藏单元数为8 self.output_layer = nn.Linear(8, 1) # 隐藏单元数为8，输出维度为1 def forward(self, x): x = torch.relu(self.hidden_layer(x)) # ReLU激活函数应用于隐藏层 x = self.output_layer(x) # 输出层不带任何非线性变换 return x ``` 此处展示了一个两层全连接神经网络的设计方法[^1]。 --- #### 4. 设置损失函数与优化器 对于回归问题，常用的损失函数是均方误差 (MSE Loss)，而 Adam 是一种广泛使用的梯度下降算法变体之一。下面是如何配置它们的例子： ```python model = SimpleNN() criterion = nn.MSELoss() # 均方误差损失函数 optimizer = optim.Adam(model.parameters(), lr=0.01) # 学习率为0.01 ``` 这一步骤明确了模型评估的标准及其参数更新机制。 --- #### 5. 训练循环 最后一步就是执行多次迭代以调整权重直至达到满意的性能水平。下面是完整的训练流程： ```python num_epochs = 100 for epoch in range(num_epochs): running_loss = 0.0 for inputs, labels in train_loader: optimizer.zero_grad() # 清除之前的梯度 outputs = model(inputs) # 正向传播计算预测值 loss = criterion(outputs, labels) # 计算当前批次上的平均损失 loss.backward() # 反向传播累积梯度 optimizer.step() # 更新所有参数 running_loss += loss.item() if (epoch+1) % 10 == 0: # 每隔10轮打印一次进度信息 print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}') ``` 以上部分描述了一种典型的监督学习模式下的训练逻辑。 --- #### 总结 通过上述五个主要环节——即安装环境、编写脚本文件夹结构规划、初始化项目工程目录树布局图绘制等工作之后就可以顺利开展深度学习实验研究工作啦！