pytorch怎么搭建全连接神经网络

在PyTorch中搭建全连接神经网络（也称为密集神经网络）相对简单。以下是一个基本的步骤指南，帮助你创建一个全连接神经网络：

1. 导入必要的库： 首先，你需要导入PyTorch和其他必要的库。

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

2. 定义网络结构： 使用nn.Module类来定义你的网络结构。对于全连接神经网络，你可以使用一个类继承自nn.Module，并在其中定义每一层的线性层。

   class FullyConnectedNetwork(nn.Module):
       def __init__(self, input_size, hidden_size, output_size):
           super(FullyConnectedNetwork, self).__init__()
           self.fc1 = nn.Linear(input_size, hidden_size)
           self.relu = nn.ReLU()
           self.fc2 = nn.Linear(hidden_size, output_size)
   
       def forward(self, x):
           out = self.fc1(x)
           out = self.relu(out)
           out = self.fc2(out)
           return out
   

   在这个例子中，我们定义了一个包含两个隐藏层的全连接神经网络。第一个隐藏层的大小为hidden_size，第二个隐藏层的大小为output_size。

3. 初始化网络、损失函数和优化器： 接下来，你需要初始化网络、定义损失函数和选择优化器。

   # 假设输入特征的数量为784（例如MNIST数据集的图像）
   input_size = 784
   hidden_size = 128
   output_size = 10  # 假设是分类任务的输出数量
   
   # 创建网络实例
   net = FullyConnectedNetwork(input_size, hidden_size, output_size)
   
   # 定义损失函数
   criterion = nn.CrossEntropyLoss()
   
   # 选择优化器
   optimizer = optim.SGD(net.parameters(), lr=0.01)
   

4. 准备数据集： 为了训练网络，你需要准备数据集。这里假设你已经有一个数据加载器或数据集。

   # 示例：使用MNIST数据集
   from torchvision import datasets, transforms
   
   transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
   train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
   train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
   
   test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
   test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)
   

5. 训练网络： 现在你可以开始训练网络了。

   num_epochs = 10
   
   for epoch in range(num_epochs):
       for images, labels in train_loader:
           # 前向传播
           outputs = net(images.view(images.shape[0], -1))
           loss = criterion(outputs, labels)
   
           # 反向传播和优化
           optimizer.zero_grad()
           loss.backward()
           optimizer.step()
   
       print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')
   
   print('Training completed.')
   

6. 测试网络： 训练完成后，你可以测试网络在测试集上的性能。

   correct = 0
   total = 0
   
   with torch.no_grad():
       for images, labels in test_loader:
           outputs = net(images.view(images.shape[0], -1))
           _, predicted = torch.max(outputs.data, 1)
           total += labels.size(0)
           correct += (predicted == labels).sum().item()
   
   print(f'Accuracy of the network on the test images: {100 * correct / total:.2f}%')
   

以上就是使用PyTorch搭建全连接神经网络的基本步骤。你可以根据具体任务调整网络结构、参数和数据集。