PyTorch 前馈神经网络实现：MNIST 数据集训练

以下是一个使用 PyTorch 实现简单前馈神经网络的代码示例，包含 3 个隐藏层和一个输出层。我们将使用 MNIST 数据集进行训练。

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

# 定义神经网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 256)
        self.fc2 = nn.Linear(256, 128)
        self.fc3 = nn.Linear(128, 64)
        self.fc4 = nn.Linear(64, 10)
        self.relu = nn.ReLU()
        
    def forward(self, x):
        x = x.view(-1, 784)
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.relu(self.fc3(x))
        x = self.fc4(x)
        return x

# 定义训练函数
def train(model, device, train_loader, optimizer, criterion):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()

# 定义测试函数
def test(model, device, test_loader, criterion):
    model.eval()
    test_loss = 0
    correct = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            test_loss += criterion(output, target).item()
            pred = output.argmax(dim=1, keepdim=True)
            correct += pred.eq(target.view_as(pred)).sum().item()
    test_loss /= len(test_loader.dataset)
    accuracy = 100. * correct / len(test_loader.dataset)
    print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)'.format(
        test_loss, correct, len(test_loader.dataset), accuracy))

# 加载数据集
train_dataset = datasets.MNIST('./data', train=True, download=True,
                               transform=transforms.Compose([
                                   transforms.ToTensor(),
                                   transforms.Normalize((0.1307,), (0.3081,))
                               ]))
test_dataset = datasets.MNIST('./data', train=False,
                              transform=transforms.Compose([
                                  transforms.ToTensor(),
                                  transforms.Normalize((0.1307,), (0.3081,))
                              ]))
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=1000, shuffle=False)

# 初始化模型、优化器和损失函数
model = Net().to('cuda')
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
criterion = nn.CrossEntropyLoss()

# 训练模型
for epoch in range(1, 11):
    train(model, 'cuda', train_loader, optimizer, criterion)
    test(model, 'cuda', test_loader, criterion)

在上面的代码中，我们首先定义了一个包含 4 个线性层和 ReLU 激活函数的神经网络。然后我们定义了 train 和 test 函数，分别用于训练和测试模型。在 train 函数中，我们首先将数据和标签移动到设备上，然后将梯度设置为 0，再通过模型计算输出和损失，最后进行反向传播和参数更新。在 test 函数中，我们计算模型在测试集上的损失和准确率。

接着，我们加载 MNIST 数据集，并初始化模型、优化器和损失函数。我们使用 SGD 优化器和交叉熵损失函数。最后，我们进行 10 个 epoch 的训练，并在每个 epoch 结束后测试模型在测试集上的性能。

代码中主要使用了以下 PyTorch 模块：

• torch.nn：提供神经网络构建模块，如线性层、激活函数等。
• torch.optim：提供优化器，如 SGD、Adam 等。
• torch.utils.data：提供数据加载器，用于读取和处理数据集。
• torchvision：提供常用图像数据集和预处理工具，例如 MNIST 和 transforms。

通过修改代码中的网络结构、超参数和训练参数，您可以构建和训练不同的前馈神经网络。