使用PyTorch构建神经网络模型进行手写识别
PyTorch是一种基于Torch库的开源机器学习库，应用于计算机视觉和自然语言处理等应用，本章内容将从安装以及通过Torch构建基础的神经网络，计算梯度为主要内容进行学习。
How can we install Torch?
Torch在Linux，Windows，Mac等开发环境下都有特定的安装方法，首先搜索官方网页https://pytorch.org/，由下图所示我们可以根据自己适合的环境进行选择，我使用的是1.9.0版本Windows环境下conda包Python语言，CPU计算平台的安装。
安装过程需要打开Anaconda命令行输入下方所给提示命令指引，
安装好Torch后打开常用的编辑器进行测试
OK，我们可以看到已经成功的在电脑上安装了Torch
下列代码均在Jupyter NoteBook编辑，conda等安装方式不在此文章说明
在“PYTORCH”中定义神经网络
深度学习算法即为神经网络算法，它是由多层互连计算单元组成的计算系统。通过这些相互连接的单元传递数据，神经网络能够学习如何近似将输入转换位输出所需的计算。在Torch中可以使用torch.nn包构建神经网络。
最常听说的也是最基础的MNIST数据集也就是手写识别数据，定义用于MNIST数据集的神经网络需要如下步骤
1.导入库
2.定义初始化神经网络
3.指定数据集构建模型
4.通过模型传递数据进行测试
将从应用角度出发，下述内容神经网络名词定义不做过多叙述。
导入相关库加载数据
构建神经网络所需库为torch.nn以及torch.nn.functional
importosimporttorchfromtorchimportnnfromtorch.utils.dataimportDataLoaderfromtorchvisionimportdatasets,transforms
通过上述模块和类，torch.nn帮助我们创建和训练神经网络，包含forward(input),返回output。
定义，初始化神经网络
我们定义的神经网络将帮助我们识别图像，将使用PyTorch内置的卷积。卷积过程将图像的每个元素添加到local neighbors，由内核或小型矩阵权重配比，将有助于我们从输入图像中提取某些特征(边缘检测，锐度，模糊度等)。
定义Net模型的类有两个要求。第一个是编写一个init引用nn.Moudle。这个函数是你在你神经网络中定义全连接层的地方。
使用卷积，我们从构建的神经网络模型输出一个图像通道，输出匹配数字从0到9的10个标签的目标，下列构建传统的MNIST算法
classNet(nn.Module):def__init__(self):super(Net,self).__init__()#First2Dconvolutionallayer,takingin1inputchannel(image),#outputting32convolutionalfeatures,withasquarekernelsizeof3self.conv1=nn.Conv2d(1,32,3,1)#Second2Dconvolutionallayer,takinginthe32inputlayers,#outputting64convolutionalfeatures,withasquarekernelsizeof3self.conv2=nn.Conv2d(32,64,3,1)#Designedtoensurethatadjacentpixelsareeitherall0sorallactive#withaninputprobabilityself.dropout1=nn.Dropout2d(0.25)self.dropout2=nn.Dropout2d(0.5)#Firstfullyconnectedlayerself.fc1=nn.Linear(9216,128)#Secondfullyconnectedlayerthatoutputsour10labelsself.fc2=nn.Linear(128,10)my_nn=Net()print(my_nn)
如代码所示，构建的三层神经网络，第一个二维接收层，输入图像数据，输出32个特征，平方核大小为3，第二个二维convolutional 层输入32组数据得到64个特征平方核大小为3
通过指定数据传递进行训练
我们已经完成了神经网络的定义，下面将使用数据进行训练，在使用PyTorch构建模型只需要定义foward函数，将数据传递到计算图中，将代表我们的前馈算法。
classNet(nn.Module):def__init__(self):super(Net,self).__init__()self.conv1=nn.Conv2d(1,32,3,1)self.conv2=nn.Conv2d(32,64,3,1)self.dropout1=nn.Dropout2d(0.25)self.dropout2=nn.Dropout2d(0.5)self.fc1=nn.Linear(9216,128)self.fc2=nn.Linear(128,10)#xrepresentsourdatadefforward(self,x):#Passdatathroughconv1x=self.conv1(x)#Usetherectified-linearactivationfunctionoverxx=F.relu(x)x=self.conv2(x)x=F.relu(x)#Runmaxpoolingoverxx=F.max_pool2d(x,2)#Passdatathroughdropout1x=self.dropout1(x)#Flattenxwithstart_dim=1x=torch.flatten(x,1)#Passdatathroughfc1x=self.fc1(x)x=F.relu(x)x=self.dropout2(x)x=self.fc2(x)#Applysoftmaxtoxoutput=F.log_softmax(x,dim=1)returnoutput