pytorch怎么搭建神經網絡

在PyTorch中搭建神經網絡通常涉及以下步驟：

1. 導入必要的庫：

   import torch
   import torch.nn as nn
   import torch.optim as optim
   

2. 定義網絡結構： 你可以創建一個繼承自nn.Module的類來定義你的網絡結構。例如，一個簡單的全連接神經網絡可以如下定義：

   class SimpleNN(nn.Module):
       def __init__(self, input_size, hidden_size, output_size):
           super(SimpleNN, self).__init__()
           self.fc1 = nn.Linear(input_size, hidden_size)
           self.relu = nn.ReLU()
           self.fc2 = nn.Linear(hidden_size, output_size)
   
       def forward(self, x):
           out = self.fc1(x)
           out = self.relu(out)
           out = self.fc2(out)
           return out
   

3. 初始化網絡、損失函數和優化器：

   input_size = 784  # 假設輸入是一個28x28的圖像
   hidden_size = 128
   output_size = 10  # 假設輸出是10個類別的概率分布
   
   net = SimpleNN(input_size, hidden_size, output_size)
   
   criterion = nn.CrossEntropyLoss()
   optimizer = optim.SGD(net.parameters(), lr=0.01)
   

4. 準備數據集： 你需要將數據集加載到內存中，并進行必要的預處理。例如，對于圖像數據，你可能需要將其展平為一維向量，并進行歸一化。

   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)
   train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
   
   test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
   test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)
   

5. 訓練網絡：

   num_epochs = 10
   
   for epoch in range(num_epochs):
       for images, labels in train_loader:
           optimizer.zero_grad()
   
           outputs = net(images)
           loss = criterion(outputs, labels)
           loss.backward()
           optimizer.step()
   
       print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')
   

6. 測試網絡：

   correct = 0
   total = 0
   
   with torch.no_grad():
       for images, labels in test_loader:
           outputs = net(images)
           _, predicted = torch.max(outputs.data, 1)
           total += labels.size(0)
           correct += (predicted == labels).sum().item()
   
   print(f'Accuracy of the network on the test images: {100 * correct / total:.2f}%')
   

以上就是在PyTorch中搭建和訓練一個簡單神經網絡的步驟。你可以根據自己的需求調整網絡結構、損失函數和優化器，以及數據預處理的方式。