神經(jīng)網(wǎng)絡(luò)作為人工智能的重要組成部分，在圖像處理、自然語言處理、語音識(shí)別、機(jī)器翻譯等領(lǐng)域具有廣泛的應(yīng)用。本文將詳細(xì)介紹如何搭建簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)框架并進(jìn)行訓(xùn)練。在搭建神經(jīng)網(wǎng)絡(luò)前，對(duì)數(shù)據(jù)集的下載和處理的詳細(xì)可以看我的這篇博客：（神經(jīng)網(wǎng)絡(luò)模型（最細(xì)的手寫字識(shí)別案例）_AI_dataloads的博客-CSDN博客）

首先定義一個(gè)名為NeuralNetwork的類，它繼承了PyTorch框架的nn.Module類，用于創(chuàng)建神經(jīng)網(wǎng)絡(luò)。 接下來部分是類的構(gòu)造函數(shù)，用于初始化神經(jīng)網(wǎng)絡(luò)的各個(gè)層。在這個(gè)類中，初始化了以下層：

• ：一個(gè)將輸入展平的層。
• ：第一個(gè)隱藏層，輸入大小為28x28（圖像大小），輸出大小為128。
• ：第二個(gè)隱藏層，輸入大小為128，輸出大小為128。
• ：第三個(gè)隱藏層，輸入大小為128，輸出大小為64。
• ：輸出層，輸入大小為64，輸出大小為10（類別數(shù)）。

這部分定義了前向傳播方法，通過前向傳播計(jì)算輸入數(shù)據(jù)的輸出。首先輸入的數(shù)據(jù)先通過層展平，然后依次經(jīng)過隱藏層和激活函數(shù)進(jìn)行線性變換和非線性處理。最后經(jīng)過輸出層輸出預(yù)測(cè)結(jié)果。（注意這個(gè)函數(shù)也是定義在NeuralNetwork之中的。）

這行代碼創(chuàng)建了一個(gè)的神經(jīng)網(wǎng)絡(luò)模型實(shí)例，并將其移動(dòng)到特定的設(shè)備（我這里使用的是GPU）上進(jìn)行計(jì)算。如何查看自己的torch設(shè)備（device）可以查看這篇博客：神經(jīng)網(wǎng)絡(luò)模型（最細(xì)的手寫字識(shí)別案例）_AI_dataloads的博客-CSDN博客

這行代碼創(chuàng)建了一個(gè)的實(shí)例，用作損失函數(shù)。想要了解神經(jīng)網(wǎng)絡(luò)中的損失函數(shù)可以看我的這篇博客：pytorch中損失函數(shù)的使用_AI_dataloads的博客-CSDN博客

這行代碼創(chuàng)建了一個(gè)Adam優(yōu)化器的實(shí)例，將模型參數(shù)和學(xué)習(xí)率作為參數(shù)傳入。想了解優(yōu)化器的定義可以參考我的這篇博客：pytorch中損失函數(shù)的使用_AI_dataloads的博客-CSDN博客

這行代碼定義了一個(gè)名為的函數(shù)，用于進(jìn)行訓(xùn)練。函數(shù)接受訓(xùn)練數(shù)據(jù)、模型、損失函數(shù)和優(yōu)化器作為輸入?yún)?shù)。

這行代碼調(diào)用函數(shù)來開始模型的訓(xùn)練。它傳入訓(xùn)練數(shù)據(jù)、模型、損失函數(shù)和優(yōu)化器，并執(zhí)行訓(xùn)練過程。（注意訓(xùn)練前要先獲取dataloader，詳細(xì)可以參考我的博客：PyTorch DataLoader詳解：如何高效加載和處理大規(guī)模數(shù)據(jù)集？_AI_dataloads的博客-CSDN博客

下面是運(yùn)行后的結(jié)果：可以看出一共進(jìn)行了938次，并展示了每一次的損失值

下面是完整代碼展示：