### 如何使用 PyTorch 构建和训练神经网络 #### 1. 定义神经网络结构 在 PyTorch 中，可以通过继承 `nn.Module` 类来定义自定义的神经网络。这一步骤涉及创建类并初始化所需的层（如全连接层、卷积层等）。以下是基本框架： ```python import torch import torch.nn as nn import torch.optim as optim class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 = nn.Linear(784, 128) # 输入大小为784，隐藏层大小为128 self.relu = nn.ReLU() self.fc2 = nn.Linear(128, 10) # 输出大小为10（假设分类任务有10个类别） def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x ``` 上述代码展示了如何通过组合线性变换和激活函数构建一个简单的前馈神经网络[^1]。 --- #### 2. 准备数据集 为了训练神经网络，需要准备合适的数据集。PyTorch 提供了多种工具用于加载和预处理数据，例如 `torch.utils.data.DataLoader` 和内置的数据集模块 `torchvision.datasets`。 以下是一个典型的 MNIST 数据集加载流程： ```python from torchvision import datasets, transforms transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False) ``` 这里使用了标准化操作以提高模型收敛速度，并设置了批量大小为 64 的数据加载器。 --- #### 3. 设置损失函数和优化器 选择合适的损失函数和优化算法是成功训练的关键部分之一。对于多分类问题，常用的交叉熵损失函数配合随机梯度下降或 Adam 优化器效果较好。 ```python model = SimpleNet() criterion = nn.CrossEntropyLoss() # 对于分类任务，推荐使用 Cross Entropy Loss optimizer = optim.Adam(model.parameters(), lr=0.001) # 使用 Adam 作为优化器 ``` 以上配置适用于大多数监督学习场景中的初始设置[^2]。 --- #### 4. 训练过程 训练阶段的核心逻辑包括前向传播计算预测值、评估误差以及更新参数三个主要环节。 ```python for epoch in range(10): # 进行10轮迭代 running_loss = 0.0 for images, labels in train_loader: images = images.view(images.size(0), -1) # 展平图像像素 optimizer.zero_grad() # 清除之前的梯度信息 outputs = model(images) # 执行前向传递得到输出 loss = criterion(outputs, labels) # 根据真实标签计算当前批次的loss loss.backward() # 反向传播求导数 optimizer.step() # 更新权重参数 print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}') ``` 此循环实现了完整的训练周期管理机制[^4]。 --- #### 5. 测试与验证 完成训练之后，还需要对测试集中未见过的数据进行性能评测。 ```python correct = 0 total = 0 with torch.no_grad(): # 关闭自动求导功能提升推理效率 for images, labels in test_loader: images = images.view(images.size(0), -1) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the test set: %d %%' % (100 * correct / total)) ``` 最终打印出的是整个测试样本集合上的平均精度得分。 --- #### 总结 综上所述，利用 PyTorch 开发神经网络主要包括五个方面的工作：设计网络架构、获取高质量标注好的资料源、挑选恰当的目标衡量标准及其对应的调整策略、编写具体的训练脚本以及最后做全面的效果检验工作流。