神经网络是深度学习中的一种核心模型，而 PyTorch 是一个流行的深度学习框架，非常适合于构建和训练神经网络。以下是一些基础教程，帮助您入门 PyTorch 神经网络。

快速开始

  1. 安装 PyTorch
    首先，您需要在您的系统上安装 PyTorch。您可以从PyTorch官网下载并安装最新版本的 PyTorch。

  2. 创建一个简单的神经网络
    下面是一个简单的神经网络示例：

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

# 定义一个简单的神经网络
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 实例化神经网络
model = SimpleNN()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

  3. 训练神经网络
    在训练神经网络之前，您需要准备一些数据。这里我们使用 MNIST 数据集作为例子：

    # 加载 MNIST 数据集
train_loader = torch.utils.data.DataLoader(
    datasets.MNIST(root='./data', train=True, download=True,
                    transform=transforms.ToTensor()),
    batch_size=64, shuffle=True)

    然后您可以开始训练模型：

    # 训练模型
for epoch in range(5):  # 5 个训练周期
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 100 == 99:    # 每 100 个 mini-batch 打印一次
            print(f'[{epoch + 1}, {i + 1}] loss: {running_loss / 100:.3f}')
            running_loss = 0.0
print('Finished Training')

深入阅读

如果您想要深入了解 PyTorch 和神经网络，以下是一些推荐的资源：

希望这些基础教程能够帮助您开始使用 PyTorch 进行神经网络的学习和实践！

相关资源