Pytorch

pytorch构建网络

（1）导入必要的库

import torch
import torch.nn as nn

（2）定义神经网络类

class SimpkeNN(nn.Module):
#定义SimpleNN类，继承自nn.Module,所有的神经网络模型都应该继承自nn.Module，这样可以利用到该基类中很多功能，例如参数管理和模块化

（3）初始化方法

def __init__(self):
    super(SimpleNN,self).__init__()

（4）定义神经网络层

    self.fc1=nn.Linear( 784,128)
    self.fc2=nn.Linear(128,128)
    self.output=nn.Linear(128,10)
#定义了三个全连接层（也称为线性层）：
self.fc1是第一个全连接层，输入特征为784（通常是处理过的28*28像素的MNIST图像），输出特征为128
self.fc2是第二个全连接层，它接收前一层128个特征的输出，并输出128个特征
self.output是输出层，接收来自上一层的128个特征的输出，并将其映射到10个输出，通常表示分类任务中的类别数量

（5）定义前向传播方法：

def forward(self,x):
    x=torch.relu(self.fc1(x))
    x=torch.relu(self.fc2(x))
    x=self.output(x)
    return x
#forward方法定义了数据通过网络的方式，即神经网络的前向传播
首先，数据x被传入第一个全连接层fc1，然后通过ReLU激活函数进行非线性变换，处理后的输出再次通过第二个全连接层fc2和另一个ReLU激活函数
最后通过输出层output得到最终的输出

数据加载与处理

（1）导入必要的库

from torchvision import transforms,datasets
from torch.utils.data import DataLoader

#torchvision是处理图像数据的库，它提供了常用的数据集和图像变换功能
#transforms用于数据预处理和增强
#datasets用于加载数据集
#DataLoader是PYTORCH中一个非常重要的类，它将一个可迭代的数据集封装成一个迭代器，方便批处理和数据洗牌等操作

（2）定义数据预处理操作

transform=transdorms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,),(0.5,))
])
#Compose创建了一个变换序列
#ToTense()将PIL图像或NumPy ndarray转换为FloatTensor，并在[0.,1.]范围内缩放图像的像素强度值
#Normalize((0.5,),(0.5,))对张量图像进行标准化，给出的均值和标准差应用于所有三个通道

（3）加载训练集

train_set=dataseta.MINST(root='./data',train=True,download=True,transform=transform)
#使用datasets.MNIST加载MNIST训练数据集。root参数指定数据存储的路径，train=True表明是加载训练集（train=False加载测试集），download=True指不在指定路径时自动下载，transform=transform应用之前定义的预处理操作

（4）创建训练数据加载器

train_loader=DataLoader(train_set,batch_size=64,shuffle=True)
DataLoader封装了train_set,batch_size=64制定了每个批次的大小，shuffle=True表示在每个epoch开始时，数据将被打乱，这有助于模型泛化

（5）加载测试集

test_set=datasets.MINST(root='./data',train=False,transform=transform)
#train=False表明此处加载的是测试集

（6）创建测试数据加载器

test_loader=DataLoader(test_set,batch_size=64,shuffle=False)
#为测试数据集创建一个DataLoader，shuffle=False通常用于测试数据，因为在测试阶段不需要打乱数据