PyTorch 实现第一个神经网络

1、导入torch和 torch.nn

首先，我们需要使用以下命令导入Pytorch库：

import torch 
import torch.nn as nn

2、定义变量

定义所有图层和批次大小以开始执行神经网络，如下所示：

# 分别定义输入大小、隐藏层大小、输出大小和批量大小
n_in, n_h, n_out, batch_size = 10, 5, 1, 10

3、输入数据

作为神经网络包括输入数据的组合来获取相应的输出数据，例如：

# Create dummy input and target tensors (data)
x = torch.randn(batch_size, n_in)
y = torch.tensor([[1.0], [0.0], [0.0], 
[1.0], [1.0], [1.0], [0.0], [0.0], [1.0], [1.0]])

4、创建模型

在内置功能的帮助下创建顺序模型。 使用以下代码行，创建顺序模型：

# Create a model
model = nn.Sequential(nn.Linear(n_in, n_h),
   nn.ReLU(),
   nn.Linear(n_h, n_out),
   nn.Sigmoid())

5、构建loss函数

利用梯度下降优化器构建损失函数，如下图所示：

Construct the loss function
criterion = torch.nn.MSELoss()
# 构建优化器（本例中为随机梯度下降）
optimizer = torch.optim.SGD(model.parameters(), lr = 0.01)

6、梯度下降模型

使用给定的代码行实现迭代循环的梯度下降模型

# 训练循环（50个epochs）
for epoch in range(50):
    # 前向传播：通过传递 x 到模型计算预测的 y
    y_pred = model(x)
    
    # 计算并打印损失
    loss = criterion(y_pred, y)
    print('Epoch:', epoch, 'Loss:', loss.item())
    
    # 清零梯度，进行反向传播，并更新权重
    optimizer.zero_grad()  # 清零之前的梯度
    loss.backward()  # 反向传播：计算梯度
    optimizer.step()  # 更新模型参数

7、完整代码

使用梯度下降（代码中是随机梯度下降）来最小化损失，通常用于监督学习任务中的模型训练。

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

# 定义一个简单的模型（例如，单层神经网络）
class SimpleNN(nn.Module):
    def __init__(self):
        super(SimpleNN, self).__init__()
        # 一个简单的线性层，输入大小为 2，输出大小为 1
        self.fc = nn.Linear(2, 1) 

    def forward(self, x):
        return self.fc(x)

# 示例数据集（输入和目标）
# 示例特征（2D）
x = torch.tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 4.0], [4.0, 5.0]]) 
y = torch.tensor([[5.0], [7.0], [9.0], [11.0]])  # 示例目标（1D）

# 初始化模型、损失函数和优化器
model = SimpleNN()
criterion = nn.MSELoss()  # 均方误差损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器

# 训练循环（50个epochs）
for epoch in range(50):
    # 前向传播：通过传递 x 到模型计算预测的 y
    y_pred = model(x)
    
    # 计算并打印损失
    loss = criterion(y_pred, y)
    print('Epoch:', epoch, 'Loss:', loss.item())
    
    # 清零梯度，进行反向传播，并更新权重
    optimizer.zero_grad()  # 清零之前的梯度
    loss.backward()  # 反向传播：计算梯度
    optimizer.step()  # 更新模型参数