PyTorch 第一个神经网络（建议收藏）

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

• 新项目:《从零手撸：仿小红书（微服务架构）》 正在持续爆肝中，基于 Spring Cloud Alibaba + Spring Boot 3.x + JDK 17...，点击查看项目介绍 ;演示链接： http://116.62.199.48:7070 ;
• 《从零手撸：前后端分离博客项目（全栈开发）》 2 期已完结，演示链接： http://116.62.199.48/ ;

截止目前， 星球 内专栏累计输出 90w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 3100+ 小伙伴加入学习 ，欢迎点击围观

在人工智能领域，神经网络作为核心工具，正以前所未有的速度推动技术革新。对于编程爱好者和开发者而言，亲手搭建第一个神经网络不仅是一次技术实践，更是一次理解深度学习原理的绝佳机会。PyTorch 作为目前最受欢迎的深度学习框架之一，以其动态计算图和简洁的 API 设计，为开发者提供了友好的入门体验。本文将通过循序渐进的方式，带领读者从零开始构建第一个 PyTorch 神经网络，涵盖数据准备、模型设计、训练与评估等关键步骤，并通过具体案例帮助读者理解背后的逻辑。

为什么选择 PyTorch？

PyTorch 凭借其灵活的动态计算图（Dynamic Computation Graph）和直观的 API 设计，在开发者社区中广受欢迎。其核心优势包括：

• 易学易用：通过 Python 风格的语法和直观的类库结构，降低学习门槛；
• 动态计算图：支持实时修改网络结构，适合快速实验和调试；
• 丰富的生态：拥有庞大的预训练模型库和社区资源，便于快速应用；
• 高效性：底层基于高性能的 C++ 实现，同时提供 Python 接口。

对于初学者而言，PyTorch 的“边做边学”特性尤其重要。例如，开发者可以在模型训练过程中动态调整参数或结构，而无需从头重新设计整个流程，这种灵活性正是快速迭代的关键。

神经网络基础概念解析

神经网络的类比：人脑与信息处理

神经网络的核心灵感来源于人脑的神经元连接机制。想象大脑中的神经元通过突触传递信号，神经网络则通过“层”（Layers）和“神经元”（Neurons）模拟这一过程：

• 输入层：接收原始数据（如图像像素值）；
• 隐藏层：通过加权和、激活函数等操作提取数据特征；
• 输出层：生成最终预测结果（如分类标签）。

每个神经元通过“权重”（Weights）和“偏置”（Biases）调整信号强度，而激活函数（如 ReLU）则决定神经元是否“激活”以传递信息。这一过程类似于人类学习：通过不断调整参数，网络逐渐学会从数据中提取有效模式。

神经网络的核心组件

构建一个基础神经网络需要以下核心组件：
| 组件 | 作用描述 |
|--------------|--------------------------------------------------------------------------|
| 损失函数 | 量化模型预测与真实值之间的差异，指导参数调整（如交叉熵损失、均方误差）； |
| 优化器 | 根据损失函数的梯度更新模型参数，寻找最优解（如 SGD、Adam）； |
| 激活函数 | 引入非线性，使模型能够拟合复杂数据分布（如 ReLU、Sigmoid）； |
| 批次训练 | 通过小批量数据迭代更新参数，平衡训练效率与内存占用； |

动手实践：构建你的第一个 PyTorch 神经网络

环境准备与数据加载

首先，确保已安装 PyTorch：

pip install torch torchvision

我们将以经典的 MNIST 手写数字分类任务为例。该数据集包含 60,000 张训练图像和 10,000 张测试图像，每张图像为 28×28 像素的灰度图，标签为 0-9 的数字。

import torch  
import torch.nn as nn  
import torch.optim as optim  
import torchvision  
from torchvision import datasets, transforms  

transform = transforms.Compose([  
    transforms.ToTensor(),  
    transforms.Normalize((0.1307,), (0.3081,))  
])  

train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)  
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)  

batch_size = 64  
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=True)  
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False)  

模型设计：从输入到输出

接下来，定义一个简单的全连接神经网络（Multilayer Perceptron, MLP）。该网络包含：

1. 输入层：接收展平后的 28×28=784 维向量；
2. 隐藏层：256 个神经元，使用 ReLU 激活函数；
3. 输出层：10 个神经元（对应 0-9 的数字），使用 Softmax 输出概率分布。

class Net(nn.Module):  
    def __init__(self):  
        super(Net, self).__init__()  
        self.flatten = nn.Flatten()          # 展平输入张量  
        self.linear_relu_stack = nn.Sequential(  
            nn.Linear(28*28, 256),          # 输入层到隐藏层  
            nn.ReLU(),                      # 激活函数  
            nn.Linear(256, 10),             # 隐藏层到输出层  
        )  

    def forward(self, x):  
        x = self.flatten(x)  
        logits = self.linear_relu_stack(x)  
        return logits  

model = Net()  
print(model)  

训练配置：损失函数与优化器

选择交叉熵损失（CrossEntropyLoss）作为分类任务的损失函数，并使用 Adam 优化器进行参数更新：

criterion = nn.CrossEntropyLoss()  
optimizer = optim.Adam(model.parameters(), lr=0.001)  

训练循环：迭代优化

训练过程的核心是通过反向传播（Backpropagation）不断调整模型参数以最小化损失：

def train(model, device, train_loader, criterion, optimizer, epoch):  
    model.train()  
    for batch_idx, (data, target) in enumerate(train_loader):  
        data, target = data.to(device), target.to(device)  
        optimizer.zero_grad()               # 清空梯度缓存  
        output = model(data)                # 前向传播  
        loss = criterion(output, target)    # 计算损失  
        loss.backward()                     # 反向传播  
        optimizer.step()                    # 更新参数  

        if batch_idx % 100 == 0:  
            print(f"Epoch {epoch} | Loss: {loss.item():.4f}")  

device = torch.device("cpu")  
model.to(device)  
for epoch in range(1, 6):  
    train(model, device, train_loader, criterion, optimizer, epoch)  

模型评估：验证预测效果

完成训练后，使用测试集评估模型性能：

def test(model, device, test_loader):  
    model.eval()  
    correct = 0  
    with torch.no_grad():  
        for data, target in test_loader:  
            data, target = data.to(device), target.to(device)  
            output = model(data)  
            pred = output.argmax(dim=1, keepdim=True)  
            correct += pred.eq(target.view_as(pred)).sum().item()  

    accuracy = 100. * correct / len(test_loader.dataset)  
    print(f"Test Accuracy: {accuracy:.2f}%")  

test(model, device, test_loader)  

关键知识点详解

1. 张量（Tensor）

PyTorch 的核心数据结构是张量，类似于多维数组，但支持 GPU 加速和自动求导。例如，输入图像的张量形状为 [batch_size, 1, 28, 28]，其中 1 表示单通道灰度图。

2. 自动求导（Autograd）

PyTorch 的自动求导机制通过跟踪计算图（Computation Graph）自动计算梯度。例如，当执行 loss.backward() 时，框架会从损失反向传播，计算每个参数的梯度值。

3. 过拟合与正则化

在本例中，模型可能因复杂度过高而过度拟合训练数据。可通过添加 dropout 层或 L2 正则化来缓解：

self.linear_relu_stack = nn.Sequential(  
    nn.Linear(784, 256),  
    nn.ReLU(),  
    nn.Dropout(p=0.2),          # 添加 dropout 层  
    nn.Linear(256, 10)  
)  

扩展与优化建议

1. 提升模型性能

• 增加隐藏层：尝试 2-3 个隐藏层以增强模型表达能力；
• 调整学习率：使用学习率衰减策略（如 torch.optim.lr_scheduler）；
• 数据增强：通过旋转、平移等操作扩充训练数据。

2. 模型部署与保存

训练完成后，可通过以下方式保存模型：

torch.save(model.state_dict(), "mnist_cnn.pt")  
model = Net()  
model.load_state_dict(torch.load("mnist_cnn.pt"))  

结论

通过本文，读者已完成了从零开始构建第一个 PyTorch 神经网络的全流程实践。这一过程不仅涉及代码编写，更重要的是理解神经网络的核心逻辑：数据流动、参数优化与损失最小化。对于编程初学者，建议从简单案例入手，逐步尝试更复杂的网络结构（如卷积神经网络）或任务（如图像分类、文本生成）。随着实践的深入，开发者将逐渐掌握如何通过 PyTorch 实现个性化需求，甚至参与前沿研究。记住，深度学习的探索永无止境——每一次代码的迭代，都是一次向智能更近的跨越。

（全文约 1800 字）