对于pytorch的深度学习框架，在建立人工神经网络时整体的步骤主要有以下四步：

1、载入原始数据

2、构建具体神经网络

3、进行数据的训练

4、数据测试和验证

pytorch神经网络的数据载入，以MINIST书写字体的原始数据为例：

import torch

import matplotlib.pyplot as  plt

def plot_curve(data):

    fig=plt.figure()

    plt.plot(range(len(data)),data,color="blue")

    plt.legend(["value"],loc="upper right")

    plt.xlabel("step")

    plt.ylabel("value")

    plt.show()

def plot_image(img,label,name):

    fig=plt.figure()

    for i in range(6):

        plt.subplot(2,3,i+1)

        plt.tight_layout()

        plt.imshow(img[i][0]*0.3081+0.1307,cmap="gray",interpolation="none")

        plt.title("{}:{}".format(name, label[i].item()))

        plt.xticks([])

        plt.yticks([])

    plt.show()

def one_hot(label,depth=10):

    out=torch.zeros(label.size(0),depth)

    idx=torch.LongTensor(label).view(-1,1)

    out.scatter_(dim=1,index=idx,value=1)

    return out

batch_size=512

import torch

from torch import nn                         #完成神经网络的构建包

from torch.nn import functional as F         #包含常用的函数包

from torch import optim                      #优化工具包

import torchvision                           #视觉工具包

import  matplotlib.pyplot as plt

from utils import plot_curve,plot_image,one_hot

#step1 load dataset   加载数据包

train_loader=torch.utils.data.DataLoader(

    torchvision.datasets.MNIST("minist_data",train=True,download=True,transform=torchvision.transforms.Compose(

        [torchvision.transforms.ToTensor(),torchvision.transforms.Normalize((0.1307,),(0.3081,))

         ])),

    batch_size=batch_size,shuffle=True)

test_loader=torch.utils.data.DataLoader(

    torchvision.datasets.MNIST("minist_data",train=True,download=False,transform=torchvision.transforms.Compose(

        [torchvision.transforms.ToTensor(),torchvision.transforms.Normalize((0.1307,),(0.3081,))

         ])),

    batch_size=batch_size,shuffle=False)

x,y=next(iter(train_loader))

print(x.shape,y.shape)

plot_image(x,y,"image")

print(x)

print(y)

以构建一个简单的回归问题的神经网络为例，其具体的实现代码如下所示：

import torch

import torch.nn.functional as F  # 激励函数都在这

x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1)

y = x.pow(2) + 0.2 * torch.rand(x.size())  # noisy y data (tensor), shape=(100, 1)

class Net(torch.nn.Module):  # 继承 torch 的 Module（固定）

    def __init__(self, n_feature, n_hidden, n_output):  # 定义层的信息，n_feature多少个输入, n_hidden每层神经元, n_output多少个输出

        super(Net, self).__init__()  # 继承 __init__ 功能（固定）

        # 定义每层用什么样的形式

        self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 定义隐藏层，线性输出

        self.predict = torch.nn.Linear(n_hidden, n_output)  # 定义输出层线性输出

    def forward(self, x):  # x是输入信息就是data，同时也是 Module 中的 forward 功能，定义神经网络前向传递的过程，把__init__中的层信息一个一个的组合起来

        # 正向传播输入值, 神经网络分析出输出值

        x = F.relu(self.hidden(x))  # 定义激励函数(隐藏层的线性值)

        x = self.predict(x)  # 输出层，输出值

        return x

net = Net(n_feature=1, n_hidden=10, n_output=1)

print(net)  # net 的结构

"""

Net (

  (hidden): Linear (1 -> 10)

  (predict): Linear (10 -> 1)

)

"""

# optimizer 是训练的工具

optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 学习率

loss_func = torch.nn.MSELoss()  # 预测值和真实值的误差计算公式 (均方差)

for t in range(100):  # 训练的步数100步

    prediction = net(x)  # 喂给 net 训练数据 x, 每迭代一步，输出预测值

    loss = loss_func(prediction, y)  # 计算两者的误差

    # 优化步骤：

    optimizer.zero_grad()  # 清空上一步的残余更新参数值

    loss.backward()  # 误差反向传播, 计算参数更新值

    optimizer.step()  # 将参数更新值施加到 net 的 parameters 上

import matplotlib.pyplot as plt

plt.ion()  # 实时画图something about plotting

for t in range(200):

    prediction = net(x)  # input x and predict based on x

    loss = loss_func(prediction, y)  # must be (1. nn output, 2. target)

    optimizer.zero_grad()  # clear gradients for next train

    loss.backward()  # backpropagation, compute gradients

    optimizer.step()  # apply gradients

    if t % 5 == 0:  # 每五步绘一次图

        # plot and show learning process

        plt.cla()

        plt.scatter(x.data.numpy(), y.data.numpy())

        plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)

        plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})

        plt.pause(0.1)

plt.ioff()

plt.show()