简单的示例：
在PyTorch中，可以使用nn.Module类来定义神经网络模型。以下是一个示例的神经网络模型定义的代码：
import torch
import torch.nn as nn
class MyModel(nn.Module):
def __init__(self):
super(MyModel, self).__init__()
# 定义神经网络的层和参数
self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1)
self.relu = nn.ReLU()
self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)
self.fc1 = nn.Linear(32 * 14 * 14, 128)
self.fc2 = nn.Linear(128, 10)
self.softmax = nn.Softmax(dim=1)
def forward(self, x):
x = self.conv1(x)
x = self.relu(x)
x = self.maxpool(x)
x = x.view(x.size(0), -1)
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
x = self.softmax(x)
return x在上面的示例中，定义了一个名为MyModel的神经网络模型，继承自nn.Module类。在__init__方法中，我们定义了模型的层和参数。具体来说：
- 代码定义了一个卷积层，输入通道数为1，输出通道数为32，卷积核大小为3x3，步长为1，填充为1。
- 定义了一个ReLU激活函数，用于在卷积层之后引入非线性性质。
- 定义了一个最大池化层，池化核大小为2x2，步长为2。
- 定义了一个全连接层，输入大小为32x14x14（经过卷积和池化后的特征图大小），输出大小为128。
- 定义了另一个全连接层，输入大小为128，输出大小为10。
- 定义了一个softmax函数，用于将模型的输出转换为概率分布。
在forward方法中，定义了模型的前向传播过程。具体来说：
x = self.conv1(x): 将输入张量传递给卷积层进行卷积操作。x = self.relu(x): 将卷积层的输出通过ReLU激活函数进行非线性变换。x = self.maxpool(x): 将ReLU激活后的特征图进行最大池化操作。x = x.view(x.size(0), -1): 将池化后的特征图展平为一维，以适应全连接层的输入要求。x = self.fc1(x): 将展平后的特征向量传递给第一个全连接层。x = self.relu(x): 将第一个全连接层的输出通过ReLU激活函数进行非线性变换。x = self.fc2(x): 将第一个全连接层的输出传递给第二个全连接层。x = self.softmax(x): 将第二个全连接层的输出通过softmax函数进行归一化，得到每个类别的概率分布。
这个示例展示了一个简单的卷积神经网络模型，适用于处理单通道的图像数据，并输出10个类别的分类结果。可以根据自己的需求和数据特点来定义和修改神经网络模型。
接下来将用于实际的数据集进行训练：
以下是基于CIFAR10数据集的神经网络训练模型：
import torch
import torchvision
from torch import nn
from torch.nn import MaxPool2d
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from nn_mode import *
#准备数据集
train_data=torchvision.datasets.CIFAR10(root='../chap4_Dataset_transforms/dataset',train=True,transform=torchvision.transforms.ToTensor())
test_data=torchvision.datasets.CIFAR10(root='../chap4_Dataset_transforms/dataset',train=False,transform=torchvision.transforms.ToTensor())
#输出数据集的长度
train_data_size=len(train_data)
test_data_size=len(test_data)
print(train_data_size)
print(test_data_size)
#加载数据集
train_loader=DataLoader(dataset=train_data,batch_size=64)
test_loader=DataLoader(dataset=test_data,batch_size=64)
#创建神经网络
sjnet=Sjnet()
#损失函数
loss_fn=nn.CrossEntropyLoss()
#优化器
learn_lr=0.01#便于修改
YHQ=torch.optim.SGD(sjnet.parameters(),lr=learn_lr)
#设置训练网络的参数
train_step=0#训练次数
test_step=0#测试次数
epoch=10#训练轮数
writer=SummaryWriter('wanzheng_logs')
for i in range(epoch):
print("第{}轮训练".format(i+1))
#开始训练
for data in train_loader:
imgs,targets=data
outputs=sjnet(imgs)
loss=loss_fn(outputs,targets)
#优化器
YHQ.zero_grad() # 将神经网络的梯度置零，以准备进行反向传播
loss.backward() # 执行反向传播，计算神经网络中各个参数的梯度
YHQ.step() # 调用优化器的step()方法，根据计算得到的梯度更新神经网络的参数，完成一次参数更新
train_step =train_step+1
if train_step%100==0:
print('训练次数为：{},loss为：{}'.format(train_step,loss))
writer.add_scalar('train_loss',loss,train_step)
#开始测试
total_loss=0
with torch.no_grad():#上下文管理器，用于指示在接下来的代码块中不计算梯度。
for data in test_loader:
imgs,targets=data
outputs = sjnet(imgs)
loss = loss_fn(outputs, targets)#使用损失函数 loss_fn 计算预测输出与目标之间的损失。
total_loss=total_loss+loss#将当前样本的损失加到总损失上，用于累积所有样本的损失。
print('整体测试集上的loss：{}'.format(total_loss))
writer.add_scalar('test_loss', total_loss, test_step)
test_step = test_step+1
torch.save(sjnet,'sjnet_{}.pth'.format(i))
print("模型已保存！")
writer.close()其神经网络训练以及测试时的损失值使用TensorBoard进行展示，如图所示：
