莫凡Python学习笔记——PyTorch动态神经网络（二）

内容原文：https://morvanzhou.github.io/tutorials/machine-learning/torch/

利用PyTorch搭建神经网络

神经网络可以使用PyTorch的torch.nn包来构建。
autograd实现了反向传播的功能，但是直接用来深度学习的代码在很多情况下还是稍显复杂。
torch.nn是专门为神经网络设计的模块化接口，nn构建于autograd之上，可以用来定义和运行神经网络。nn.Moudle是nn中最重要的类，可把它看成是一个网络的封装，包含网络各层定义以及forward方法，调用forward(input)方法，可返回前向传播的结果。

一个典型的神经网络训练过程如下：

• 定义具有一些可学习参数（或权重）的神经网络
• 迭代输入数据集
• 通过网络处理输入
• 计算损失（输出的预测值于实际值之间的距离）
• 将梯度传播回网络
• 更新网络的权重，通常使用一个简单的更新规则：weight = weight - learning_rate * gradient

1、Variable变量
在神经网络里，数据都是Variable变量的形式，是把tensor的数据放入神经网络的variable变量中，来慢慢更新神经网络中的参数。

import torch
from torch.autograd import Variable

tensor = torch.FloatTensor([[1,2],[3,4]])
variable = Variable(tensor,requires_grad=True)  #用Variable将tensor放入variable变量中

运行结果：