在这个教程中，我们将学习如何使用 PyTorch 构建和训练一个简单的神经网络。神经网络是深度学习的基础，它由多个层组成，每个层包含多个神经元。以下是一些基本的步骤和概念。

神经元和层

神经元是神经网络的基本构建块。每个神经元接收输入，通过激活函数处理后输出结果。层是由多个神经元组成的，它们可以连接到前一个层或后一个层。

  • 输入层：接收原始数据。
  • 隐藏层：处理和转换数据。
  • 输出层：产生最终结果。

激活函数

激活函数为神经元提供非线性，使得神经网络能够学习复杂的数据模式。常见的激活函数包括：

  • Sigmoid：将输出限制在 0 和 1 之间。
  • ReLU：非线性激活函数，对于隐藏层非常有效。
  • Tanh：将输出限制在 -1 和 1 之间。

PyTorch 神经网络示例

以下是一个使用 PyTorch 构建简单神经网络的示例：

import torch
import torch.nn as nn

class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)

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

model = SimpleNN()

在这个例子中，我们创建了一个名为 SimpleNN 的神经网络，它包含两个全连接层和一个 ReLU 激活函数。

训练神经网络

训练神经网络涉及以下步骤：

  1. 定义损失函数：损失函数用于衡量预测值和真实值之间的差异。
  2. 定义优化器：优化器用于更新神经网络的权重，以最小化损失函数。
  3. 训练循环：在训练循环中，我们使用数据来更新网络权重。

以下是一个简单的训练循环示例：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(10):
    for data, target in train_loader:
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

在这个例子中，我们使用交叉熵损失函数和随机梯度下降优化器来训练我们的神经网络。

扩展阅读

想要了解更多关于 PyTorch 的内容，可以访问我们的 PyTorch 教程页面。

图片示例

下面是一个神经网络的图片示例：

神经网络