用-pytorch-写一个神经网络模型

以下是一个简单的神经网络模型示例，使用 PyTorch：

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

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        
        # 定义网络结构
        self.fc1 = nn.Linear(784, 256)
        self.fc2 = nn.Linear(256, 128)
        self.fc3 = nn.Linear(128, 10)
        
    def forward(self, x):
        # 网络的前向传播过程
        x = torch.relu(self.fc1(x))
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 实例化模型
model = Net()

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 加载数据集
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        
    print("Epoch: %d, Loss: %.3f" % (epoch+1, running_loss/len(train_loader)))

# 预测结果
with torch.no_grad():
    test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=64, shuffle=False)
    correct = 0
    total = 0
    for data in test_loader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print("Accuracy: %d %%" % (100*correct/total))

在上面的示例中，我们定义了一个包含三个全连接层的神经网络模型，并使用交叉熵损失函数和随机梯度下降优化器进行训练。我们还使用 PyTorch 内置的 DataLoader 类来加载数据集，并在每个 epoch 结束时输出训练损失。最后，我们使用模型对测试集进行预测并计算准确率。