### 如何用PyTorch编写实现特定功能的深度学习代码 在使用 PyTorch 编写深度学习代码时，可以按照以下结构组织代码逻辑。PyTorch 提供了灵活的数据类型（如张量）和丰富的函数库，使得构建神经网络变得直观且高效[^2]。此外，PyTorch 还支持动态计算图，这为模型的调试和扩展提供了便利[^1]。 以下是使用 PyTorch 构建一个简单神经网络的代码示例，该网络用于解决分类问题： ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset # 定义数据集 X_train = torch.tensor([[0.0, 0.0], [0.0, 1.0], [1.0, 0.0], [1.0, 1.0]], dtype=torch.float32) y_train = torch.tensor([[0], [1], [1], [0]], dtype=torch.float32) # 将数据封装到 DataLoader 中 train_dataset = TensorDataset(X_train, y_train) train_loader = DataLoader(dataset=train_dataset, batch_size=4, shuffle=True) # 定义神经网络模型 class SimpleNN(nn.Module): def __init__(self): super(SimpleNN, self).__init__() self.fc1 = nn.Linear(2, 5) # 输入层到隐藏层 self.relu = nn.ReLU() # 激活函数 self.fc2 = nn.Linear(5, 1) # 隐藏层到输出层 self.sigmoid = nn.Sigmoid() # 输出激活函数 def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) x = self.sigmoid(x) return x model = SimpleNN() # 定义损失函数和优化器 criterion = nn.BCELoss() # 二元交叉熵损失 optimizer = optim.Adam(model.parameters(), lr=0.01) # 训练模型 num_epochs = 1000 for epoch in range(num_epochs): for inputs, labels in train_loader: # 前向传播 outputs = model(inputs) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if (epoch + 1) % 100 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}') # 测试模型 with torch.no_grad(): test_input = torch.tensor([[0.0, 0.0], [0.0, 1.0], [1.0, 0.0], [1.0, 1.0]], dtype=torch.float32) predictions = model(test_input) print("预测结果:", predictions.numpy()) ``` 上述代码展示了如何使用 PyTorch 构建一个简单的神经网络，并训练其完成 XOR 分类任务。此代码包括了输入层、隐藏层、输出层、激活函数、损失函数和优化器等基本组件[^4]。 ###