### PyTorch 可运行代码示例 以下是基于提供的引用内容以及专业知识整理的一个完整的、可运行的 PyTorch 示例代码。此代码展示了如何加载数据集、定义神经网络模型并进行简单的训练过程。 #### 数据准备 首先，需要导入必要的库，并设置 Fashion-MNIST 数据集作为输入源[^3]： ```python import torch from torchvision import datasets, transforms # 定义数据预处理方式 transform = transforms.Compose([ transforms.ToTensor(), # 将图像转换为张量 ]) # 加载训练集和测试集 train_set = datasets.FashionMNIST(root='./data', train=True, download=True, transform=transform) test_set = datasets.FashionMNIST(root='./data', train=False, download=True, transform=transform) # 创建 DataLoader batch_size = 64 train_loader = torch.utils.data.DataLoader(train_set, batch_size=batch_size, shuffle=True) test_loader = torch.utils.data.DataLoader(test_set, batch_size=batch_size, shuffle=False) ``` --- #### 模型定义 接下来，定义一个简单的全连接神经网络模型[^1]: ```python class SimpleNet(torch.nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = torch.nn.Linear(28 * 28, 128) # 输入层到隐藏层 self.fc2 = torch.nn.Linear(128, 64) # 隐藏层到更小的隐藏层 self.fc3 = torch.nn.Linear(64, 10) # 输出层 (Fashion-MNIST有10类) def forward(self, x): x = x.view(-1, 28 * 28) # 展平图片 x = torch.relu(self.fc1(x)) # ReLU激活函数 x = torch.relu(self.fc2(x)) x = self.fc3(x) # 不加激活函数，因为后续会用交叉熵损失计算softmax return x model = SimpleNet() ``` --- #### 训练配置 为了简化流程，这里仅展示基本的优化器和损失函数配置[^4]: ```python criterion = torch.nn.CrossEntropyLoss() # 使用交叉熵损失 optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # Adam优化器 device = 'cuda' if torch.cuda.is_available() else 'cpu' model.to(device) ``` --- #### 模型训练 以下是一个简单的训练循环实现: ```python def train_model(model, criterion, optimizer, num_epochs=5): model.train() # 设置模型为训练模式 for epoch in range(num_epochs): # 进行多个epoch的迭代 running_loss = 0.0 for images, labels in train_loader: images, labels = images.to(device), labels.to(device) # 移动数据到GPU/CPU # 前向传播 outputs = model(images) loss = criterion(outputs, labels) # 后向传播与参数更新 optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}") train_model(model, criterion, optimizer, num_epochs=3) ``` --- #### 测试模型性能 最后，在测试集上评估模型的表现: ```python def test_model(model, data_loader): model.eval() # 切换至推理模式 correct = 0 total = 0 with torch.no_grad(): # 关闭梯度计算 for images, labels in data_loader: images, labels = images.to(device), labels.to(device) 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 Model on Test Images: {accuracy:.2f}%') test_model(model, test_loader) ``` --- ### 总结 上述代码提供了一个完整的 PyTorch 实现案例，涵盖了从数据加载、模型构建到训练和验证的过程。它适用于初学者快速入门 PyTorch 的核心功能^。