1 数据准备

神经网络中，一个非常经典的案例就是手写数据的识别，本文我们以手写数据识别为例进行讲解。用到的数据是MNIST数据集。MNIST数据集是一个常用的用于计算机视觉的测试数据集，包含了70,000张手写数字的图片，用于训练和测试模型识别手写数字的能力。MNIST数据集中的图片大小都是28x28像素，图片中的数字是黑白的，每张图片都有对应的标签，表示图片中的数字是什么。MNIST数据集是计算机视觉领域的“Hello World”级别的数据集，被广泛用于计算机视觉模型的训练和测试。

可以在数据集的原始来源进行下载，但因为是外网链接，我稍后也会将整理成.csv的数据放到博客的资源中，供大家使用，如果找不到也可以直接文末留言，我私信发你。

2 数据预览

我的数据集格式为：每行785个数值，第一个数值为图片的标签，也就是图片写的数字，后784个数值为图片的28*28像素值。如果大家使用不同的数据格式，根据实际情况修改代码即可。

row = 你要展示的数据行数
# data就是传入的mnist数据集
data = df.iloc[row]
# 如果你的label不是一行第一个，此处要修改
label = data[0]
# 把数据按28行28列重新排列
img = data[1:].values.reshape(28,28)
plt.title("label = " + str(label))
plt.imshow(img, interpolation='none', cmap='Blues')
plt.show()

这样就可以对图片进行阅览了

3 简单神经网络创建

这里默认大家都有神经网络的基础知识，如希望补充相关知识，非常推荐大家阅读《Deep Learning》（也叫花书）、《Python神经网络编程》与《PyTorch生成对抗网络编程》，这三本书也是博主深度学习的入门书之一
我们使用单层（指只有一个中间层）神经网络。输入输出根据数据特性确定，中间层使用本数据较为常用的200个节点，激活函数使用Sigmoid。
首先我们定义一个分类器类
首先我们做一些基础的配置。包括设置__init__和定义神经网络层。其中__init__是初始化函数，在创建对象的时，就"自动调用"。每创建一次新的对象，就会重新自动调用一次；此处如有困难，建议补充面向对象编程的相关知识。

import torch
class Classifier(nn.Module):
 def __init__(self):
 # 继承自父类的__init__属性
 super().__init__()

在定义神经网络层时，我们使用PyTorch 中的 torch.nn 包，这个包提供了很多与实现神经网络中的具体功能相关的类，还有激活函数部分的线性激活函数、非线性激活函数相关的方法。在之后的代码中，我们会逐渐认识这个包的作用。

3.1 设计网络结构

from torch import nn
class Classifier(nn.Module):
	def __init__(self):
# 这里的代码是接着上面__init__函数写的，为了页面简洁，我把前面的内容省略了
	self.model = nn.Sequential(
	 nn.Linear(784, 200),
	 nn.Sigmoid(),
	 nn.Linear(200, 10),
	 nn.Sigmoid()

这里nn.linear()是用来设置网络中的全连接层的。以下补充函数相关内容，如不需要可以先略过。

该函数的默认输入参数情况为：

nn.Linear(in_features, # 输入的神经元个数
 out_features, # 输出神经元个数
 bias=True # 是否包含偏置
 )

而这个函数的功能其实就是对输入$X_{n\times i}$执行了一个线性变换，即：
$$Y_{n\times o}=W_{i\times o}{X}_{n\times i}+b_o$$
其中$Y$是n组o维的数出，n是数据量，o是数据的特征数；$W$是数据权重；$b$是偏置，也就是bias=True相对应的地方。

3.2 损失函数相关设置

损失函数用来告诉模型什么是好的模型，并帮助模型在优化器的帮助下不断更新网格权重，从而优化模型。此处损失函数我们使用最常见的MSE函数（Mean squared error，均方误差）；优化器使用最常见的梯度下降，学习速录设为0.01。

import torch
class Classifier(nn.Module):
	def __init__(self):
	 # 创建损失函数
	 self.loss_function = nn.MSELoss()
	 # 创建优化器
	 self.optimiser = torch.optim.SGD(self.parameters(), lr=0.01)

3.3 向网络传递信息

我们需要建立一个forward方法，向网络传递信息。尽管在定义类时，可以直接将相关信息传入，但是单独定义一个传入方法的函数，会使代码的逻辑性变得更强。这个函数也非常的简单。

class Classifier(nn.Module):
 # 创建forward函数，用于将信息传递给网络
 def forward(self, inputs):
 return self.model(inputs)

3.4 定义训练函数train

训练函数应该可以根据模型的输出与期望输出，使用优化器来不断优化模型。而模型的输出需要使用输入来生成，因此，训练函数的输入数据应该包含模型输入值inputs与预期输出值targets两部分。这里使用到了们定义过的forward、loss_function、optimiser方法。PyTorch将这一过程变得非常简单。

class Classifier(nn.Module):
 # 创建网格训练函数
 def train(self, inputs, targets):
 outputs = self.forward(inputs)
 loss = self.loss_function(outputs,targets)
 self.optimiser.zero_grad()
 loss.backward()
 self.optimiser.step()

在更新网络链接的权重时，这里使用了self.optimiser.zero_grad()首先将梯度全部归零，因为loss.backward计算出的权重会累积；使用loss.backward()计算网络中的梯度（在Pytorch入门篇有讲）；使用optimiser.step()来更新权重。

4 函数汇总

截至目前，Classifier类的所有函数如下：

import torch
import torch.nn as nn
class Classifier(nn.Module):
 # 初始化PyTorch父类
 def __init__(self):
 super().__init__()
 # 定义网格结构
	 self.model = nn.Sequential(
	 nn.Linear(784, 200),
	 nn.Sigmoid(),
	 nn.Linear(200, 10),
	 nn.Sigmoid()
	 )
	 # 创建损失函数
	 self.loss_function = nn.MSELoss()
	 # 创建优化器
	 self.optimiser = torch.optim.SGD(self.parameters(), lr=0.01)
 # 创建forward函数，用于将信息传递给网络
 def forward(self, inputs):
 return self.model(inputs)
 
 # 创建网格训练函数
 def train(self, inputs, targets):
 outputs = self.forward(inputs)
 loss = self.loss_function(outputs,targets)
 # 权重更新
 self.optimiser.zero_grad()
 loss.backward()
 self.optimiser.step()

目前实现的功能为：

下一篇将会讲解手写数据的处理与模型训练全过程
使用PyTorch构建神经网络（详细步骤讲解+注释版） 02-数据读取与训练