如何简单利用pytorch搭建一个简单的神经网络？

• 1. 导入适当的包

     • numpy ，torch， 等等

     • 还可以导入 SummaryWriter 利用tensorboard来进行可视化

  2. 引入数据集

     • 可以利用框架自带的datasets来进行数据导入。

     • 也可以自己创建训练集和测试集

  3. 利用DataLoader来加载数据集（训练集和测试集）

     • DataLoader的作用是将数据集分块区域化，即将数据集划分为多个batch

  4. 搭建神经网络（通过类继承nn.Module）

     • 类中实现 init 和 forward 方法

     • 其中init方法是用来初始化神经网络，forward是自动执行神经网络输入，输出的过程，后续不用调用

  5. 定义损失函数和优化器

     • 根据不同的问题来定义loss_fn ，回归一般用MSE或MAE分类一般用Cross-Entropy Loss

     • 优化器包括随机梯度下降（SGD），动量优化器（Momentum）等

  6. 设置一下超参数即可以变的参数

     • 训练次数，训练轮数等

  7. 训练开始

  8. 测试开始

  9. 保存模型

完整代码：

主函数：

#first dataset
import time

import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

from model import *
train_data=torchvision.datasets.CIFAR10(r'C:\Users\Felix\Desktop\learn_pytorch\dataset',train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data=torchvision.datasets.CIFAR10(r'C:\Users\Felix\Desktop\learn_pytorch\dataset',train=False,transform=torchvision.transforms.ToTensor(),download=True)

#second length
train_size=len(train_data)
test_size=len(test_data)
print('训练集数据长度为',train_size)
print('测试集数据长度为',test_size)

#利用DataLoader来加载数据集
train_dataloader=DataLoader(train_data,batch_size=64)
test_dataloader=DataLoader(test_data,batch_size=64)

#搭建神经网络
tudui=Tudui()

tudui=tudui.cuda()
#损失函数
loss_fn=nn.CrossEntropyLoss()

loss_fn=loss_fn.cuda()
#优化器
learning_rate=1e-2
optimizer=torch.optim.SGD(tudui.parameters(),lr=learning_rate)

#设置训练网络的一些参数

#记录训练的次数
total_train_step=0
#记录测试的次数
total_test_step=0
#训练的轮数
epoch=10
#添加tensorboard


writer=SummaryWriter('logs_train')
start_time=time.process_time()
for i in range(epoch):
    print("-------第{}轮训练开始--------".format(i+1))
    #训练步骤开始
    tudui.train()#特殊的层才有
    for data in train_dataloader:
        imgs,targets=data
        imgs=imgs.cuda()
        targets=targets.cuda()
        outputs=tudui(imgs)
        loss=loss_fn(outputs,targets)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step=total_train_step+1
        if total_train_step%100==0:
            print("训练次数:{},loss:{}".format(total_train_step,loss))
            writer.add_scalar("train_loss",loss.item(),total_train_step)
            end_time=time.process_time()
            print('运行时间：',end_time-start_time)
    #测试步骤开始
    tudui.eval()#特殊的层才有
    total_test_loss=0
    total_accuracy=0
    with torch.no_grad():
        for data in test_dataloader:
            imgs,targets=data
            imgs=imgs.cuda()
            targets=targets.cuda()
            outputs=tudui(imgs)
            loss=loss_fn(outputs,targets)
            total_test_loss+=loss.item()
            accuracy=(outputs.argmax(1) == targets).sum()
            total_accuracy+=accuracy.item()
    print('整体测试集上的正确率',total_accuracy/test_size)
    print("整体测试集上的loss:",total_test_loss)
    writer.add_scalar('test_accuracy',total_accuracy,total_test_step)
    writer.add_scalar("test_loss",total_test_loss,total_test_step+1)
    total_test_step=total_test_step+1
    torch.save(tudui,'tudui_{}.pth'.format(i))
    print("模型已保存")


writer.close()

​model

import torch
from torch import nn
​
​
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui,self).__init__()
        self.model=nn.Sequential(
            nn.Conv2d(3,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,32,5,1,2),
            nn.MaxPool2d(2),
            nn.Conv2d(32,64,5,1,2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4,64),
            nn.ReLU(),
            nn.Linear(64,10),
            nn.ReLU()
​
        )
    def forward(self,x):
        x=self.model(x)
        return x
​
if __name__ == '__main__':
    tudui=Tudui()
    imput=torch.ones((64,3,32,32))
    output=tudui(imput)
    print(output.shape)

​