【第三章:神经网络原理详解与Pytorch入门】02.深度学习框架PyTorch入门-(2)Pytorch主要组成模块

第三章: 神经网络原理详解与Pytorch入门

第二部分：深度学习框架PyTorch入门

第二节：Pytorch主要组成模块

内容：数据读取、模型构建、loss函数、Optimizer

PyTorch 提供了构建、训练和评估神经网络模型所需的完整工具链。主要包括四大模块：

• 数据读取（torch.utils.data）

• 模型构建（torch.nn）

• 损失函数（torch.nn）

• 优化器（torch.optim）

一、数据读取模块：torch.utils.data

PyTorch 通过 Dataset 和 DataLoader 提供高效灵活的数据加载机制。

1. 自定义 Dataset 类

from torch.utils.data import Dataset

class MyDataset(Dataset):
    def __init__(self, data, labels):
        self.data = data
        self.labels = labels
    def __len__(self):
        return len(self.data)
    def __getitem__(self, idx):
        return self.data[idx], self.labels[idx]

2. 使用 DataLoader 批量加载

from torch.utils.data import DataLoader

dataset = MyDataset(data, labels)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

二、模型构建模块：torch.nn

提供丰富的层定义与模型构建方式，主要通过继承 nn.Module 实现。

示例：构建简单神经网络

import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.relu(self.fc1(x))
        return self.fc2(x)

三、损失函数模块：torch.nn

损失函数用于衡量模型预测值与真实值之间的差距。PyTorch 常用的损失函数包括：

criterion = nn.CrossEntropyLoss()
loss = criterion(output, target)

四、优化器模块：torch.optim

用于更新模型参数以最小化损失函数。

常用优化器：

示例：

import torch.optim as optim

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

# 训练过程中
optimizer.zero_grad()
loss.backward()
optimizer.step()

五、训练流程简要汇总

for epoch in range(num_epochs):
    for inputs, targets in dataloader:
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

小结