### 使用Jupyter Notebook和PyTorch从零构建神经网络 在Jupyter Notebook环境中，可以借助PyTorch库轻松实现神经网络的构建。以下是详细的说明和代码示例。 #### 1. 环境准备 为了确保能够顺利运行神经网络代码，需先安装必要的依赖项。可以通过以下命令安装PyTorch及相关工具： ```bash !pip install torch torchvision ``` 如果需要GPU支持，则应按照官方文档中的指导下载对应的CUDA版本[^1]。 #### 2. 导入所需库 在Jupyter Notebook中导入必需的Python库以完成后续操作： ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset import numpy as np ``` 这些库分别用于张量运算、定义神经网络结构、优化器设置以及加载数据集等功能[^3]。 #### 3. 数据准备 创建简单的模拟数据供训练测试之用： ```python # 构造虚拟输入特征X与目标Y np.random.seed(42) # 设定随机种子以便结果可重复验证 X = np.random.rand(100, 5).astype(np.float32) y = (2*X[:,0] + 3*X[:,1] - X[:,2]).reshape(-1,1) # 转化成PyTorch张量形式 X_tensor = torch.from_numpy(X) y_tensor = torch.from_numpy(y) dataset = TensorDataset(X_tensor, y_tensor) train_loader = DataLoader(dataset, batch_size=16, shuffle=True) ``` 这里通过`numpy`生成了一组线性关系的数据样本，并将其转化为适合PyTorch使用的张量对象[^4]。 #### 4. 定义模型架构 基于继承自`nn.Module`类的方式来自定义一个多层感知机（MLP）类型的神经网络： ```python class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(5, 10) # 输入维度为5，隐藏层节点数设为10 self.relu = nn.ReLU() self.fc2 = nn.Linear(10, 1) # 输出单一数值 def forward(self, x): x = self.relu(self.fc1(x)) x = self.fc2(x) return x model = SimpleNet() print(model) ``` 此部分展示了如何利用`torch.nn`模块快速搭建包含两层全连接层的小型神经网络[^3]。 #### 5. 训练流程设计 指定损失函数类型及其参数更新策略之后即可进入正式的学习阶段： ```python criterion = nn.MSELoss() # 平方误差作为评估标准 optimizer = optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降法设定学习率为0.01 for epoch in range(100): # 总共迭代一百轮次 running_loss = 0.0 for inputs, labels in train_loader: optimizer.zero_grad() # 清除之前的梯度记录 outputs = model(inputs) # 执行前向传播获取预测值 loss = criterion(outputs, labels) # 计算当前批次上的平均损失 loss.backward() # 反向传播求导数 optimizer.step() # 更新权重参数 running_loss += loss.item() if epoch % 10 == 9: # 每隔十步打印一次进度报告 print(f'[Epoch {epoch+1}] Loss: {running_loss / len(train_loader)}') ``` 上述脚本实现了完整的监督式学习闭环逻辑，包括但不限于初始化状态清零、调用正向方法得到估计量、依据实际标签对比差异程度反推最佳解路径等核心环节。 #### 6. 测试效果检验 最后不妨选取若干未曾见过的新实例加以推测确认最终成果质量高低与否: ```python test_input = torch.tensor([[0., 0., 0., 0., 0.]]) predicted_output = model(test_input) print("Predicted Output:", predicted_output.detach().numpy()) ``` 以上即是在无任何外部框架辅助情况下单纯依靠原生API接口手动拼凑而成的一个简易版人工神经元集群系统原型[^3]。 ---