用PyTorch构建神经网络，详细

在本文章中，我们将使用PyTorch从头开始实现一个简单的神经网络。

注：阅读本文之前，最好可以了解神经网络的工作原理。

虽然有很多库可以用于深度学习，但我最喜欢 PyTorch。作为一名python 程序员，我喜欢 PyTorch 的 python 行为是原因之一。它主要使用了python 的风格和能力，这是很容易理解和使用。

在其核心，PyTorch提供两个主要特性：

1. 一个类似于numpy 的n 维张量，但可以在 gpu 上运行；

2. 自动区分建立和训练神经网络。

什么是神经网络？

神经网络是一组可以模仿人类大脑，并被设计用来识别模式的算法。这些网络是由接近神经元的单个部分构成的，通常称为单元或简称为“神经元”每个单元有一定数量的加权输入。这些加权的输入总和在一起(一个线性组合) ，然后通过一个激活函数来得到单位输出。

神经网络中的节点类型：

1. 输入单元ーー把外界的资讯输入网络，统称为「输入层」。这些节点不执行任何计算，它们只是将信息传递给隐藏节点；

2. 隐藏单元ーー这些节点与外界没有任何直接联系。它们执行计算并将信息从 Input 节点传输到 Output 节点。一个隐藏节点的集合形成了一个“隐藏层”。虽然前馈网络只有一个输入层和一个输出层，但是它可以有零个或多个隐藏层；

3. 输出单元ーー输出节点统称为「输出层」 ，负责计算及将网络上的资讯传送到外界。

每一层包含一个或多个节点。

码字不易废话两句：有需要python学习资料的或者有技术问题交流 “点击”即可

建立神经网络

PyTorch 提供了一个模块 nn，使得构建网络更加简单。我们将看到如何建立一个有784个输入，256个隐藏单元，10个输出单元和一个softmax 输出单元的神经网络。

from torch import nnclass Network(nn.Module):
    def __init__(self):
        super().__init__()
        
        # Inputs to hidden layer linear transformation
        self.hidden = nn.Linear(784, 256)
        # Output layer, 10 units - one for each digit
        self.output = nn.Linear(256, 10)
        
        # Define sigmoid activation and softmax output
        self.sigmoid = nn.Sigmoid(</