### 使用 PyTorch 构建神经网络 #### 创建模型类 为了创建一个简单的多层感知器用于手写数字识别，定义一个新的 `nn.Module` 类并初始化它。这个例子中的网络有两个线性变换和两个ReLU激活函数。 ```python import torch from torch import nn class SimpleNN(nn.Module): def __init__(self): super(SimpleNN, self).__init__() # 定义两层全连接层 self.fc1 = nn.Linear(784, 500) self.relu = nn.ReLU() self.fc2 = nn.Linear(500, 10) def forward(self, x): out = self.fc1(x) out = self.relu(out) out = self.fc2(out) return out ``` 此代码片段展示了如何通过继承 `nn.Module` 来建立自定义的神经网络结构[^1]。 #### 数据预处理与加载 数据集通常需要被转换成张量形式，并且可能还需要额外的操作比如标准化等。可以利用 torchvision 库来进行这些操作： ```python from torchvision import datasets, transforms from torch.utils.data import DataLoader transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) test_dataset = datasets.MNIST(root='./data', train=False, transform=transform) batch_size = 64 train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True) test_loader = DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False) ``` 这段脚本设置了 MNIST 手写字体的数据读取流程以及相应的批量加载机制。 #### 训练循环设置 接下来编写训练逻辑，在每次迭代中执行前向传递计算损失值再反向传播更新权重参数: ```python model = SimpleNN() criterion = nn.CrossEntropyLoss() # 损失函数的选择取决于具体任务需求 optimizer = torch.optim.Adam(model.parameters()) for epoch in range(num_epochs): # num_epochs 是总的轮数 model.train() running_loss = 0.0 for i, data in enumerate(train_loader, start=0): inputs, labels = data optimizer.zero_grad() # 清除之前的梯度信息 outputs = model(inputs.view(-1, 784).float()) # 前馈过程 loss = criterion(outputs, labels.long()) loss.backward() # 反馈过程 optimizer.step() # 更新权值 running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/(i+1)}') ``` 上述代码实现了完整的训练周期控制，包括了正向传播、误差评估、反向传播三个主要环节。