12 从0开始学PyTorch| PyTorch全连接网络：建立区分鸟和飞机的模型

**从0开始学PyTorch**

在本系列教程中，我们将一步步地学习如何使用PyTorch进行深度学习。今天，我们将重点讨论全连接网络（Fully Connected Network, FCN）及其应用。

**什么是全连接网络？**

全连接网络是一种最基本的神经网络结构，每个节点都与所有其他节点相连。这意味着每个输入都会经过多次计算，最终得到输出。这种结构通常用于分类问题，例如区分鸟和飞机。

**建立区分鸟和飞机的模型**

我们将使用PyTorch来建立一个简单的全连接网络，以便区分鸟和飞机。假设我们有以下数据：

| 图像 | 类别 |
| --- | --- |
| 鸟 |0 |
| 飞机 |1 |

我们的目标是训练一个模型，使得当输入为鸟时，输出为0，当输入为飞机时，输出为1。

**PyTorch代码示例**

import torchimport torch.nn as nn# 定义全连接网络类class FCN(nn.Module):
 def __init__(self):
 super(FCN, self).__init__()
 # 输入层（28x28）
 self.fc1 = nn.Linear(784,128) #784=28*28 # 隐藏层 self.fc2 = nn.Linear(128,64)
 # 输出层 self.fc3 = nn.Linear(64,2)

 def forward(self, x):
 # flatten输入 x = x.view(-1,784) # -1表示批量大小不固定 # 全连接网络前向传播 x = torch.relu(self.fc1(x)) # relu激活函数 x = torch.relu(self.fc2(x))
 x = self.fc3(x)
 return x# 初始化模型model = FCN()

# 定义损失函数和优化器criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 模拟数据x = torch.randn(100,784) #100个样本，每个样本28*28图像y = torch.randint(2, (100,)) #100个标签，0或1# 训练模型for epoch in range(10):
 optimizer.zero_grad()
 outputs = model(x)
 loss = criterion(outputs, y)
 loss.backward()
 optimizer.step()
 print('Epoch {}: Loss = {:.4f}'.format(epoch+1, loss.item()))