使用 PyTorch 构建神经网络通常涉及几个关键步骤，包括定义模型结构、定义损失函数、选择优化器以及训练模型。以下是一个简单的示例，演示如何使用 PyTorch 构建一个基本的全连接神经网络（多层感知机）来处理分类任务。
　　步骤 1: 导入必要的库
　　python
　　import torch
　　import torch.nn as nn
　　import torch.optim as optim
　　步骤 2: 准备数据
　　在实际应用中，你需要加载和准备你的数据集。这里假设我们有一个数据集 X_train 和 y_train，分别表示训练特征和标签。
　　步骤 3: 定义神经网络模型
　　python
　　class SimpleNet(nn.Module):
　　def __init__(self, input_dim, hidden_dim, output_dim):
　　super(SimpleNet, self).__init__()
　　self.fc1 = nn.Linear(input_dim, hidden_dim)  # 输入层到隐藏层
　　self.relu = nn.ReLU()  # 激活函数
　　self.fc2 = nn.Linear(hidden_dim, output_dim)  # 隐藏层到输出层
　　def forward(self, x):
　　out = self.fc1(x)
　　out = self.relu(out)
　　out = self.fc2(out)
　　return out
　　在这个例子中：
　　SimpleNet 类继承自 nn.Module，这是所有神经网络模型的基类。
　　__init__ 方法定义了神经网络的结构，包括两个线性层（全连接层）和一个 ReLU 激活函数。
　　forward 方法定义了数据在模型中前向传播的过程。
　　步骤 4: 实例化模型
　　python
　　input_dim = 28 * 28  # 假设输入特征是 28x28 的图像
　　hidden_dim = 100  # 隐藏层维度
　　output_dim = 10  # 输出类别数，例如 10 类数字
　　model = SimpleNet(input_dim, hidden_dim, output_dim)
　　步骤 5: 定义损失函数和优化器
　　python
　　criterion = nn.CrossEntropyLoss()  # 交叉熵损失函数适用于分类任务
　　optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam 优化器
　　步骤 6: 训练模型
　　python
　　num_epochs = 10
　　for epoch in range(num_epochs):
　　model.train()  # 设置模型为训练模式
　　optimizer.zero_grad()  # 梯度清零
　　# 前向传播
　　outputs = model(X_train)
　　loss = criterion(outputs, y_train)
　　# 反向传播和优化
　　loss.backward()
　　optimizer.step()
　　# 每训练一定批次或者每个 epoch 后输出训练状态
　　if (epoch+1) % 100 == 0:
　　print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')
　　步骤 7: 模型评估（可选）
　　在训练完成后，你可以使用测试集或验证集评估模型的性能。
　　python
　　model.eval()  # 设置模型为评估模式
　　# 在测试集或验证集上进行预测和评估
　　with torch.no_grad():
　　# 假设有测试集 X_test 和 y_test
　　outputs = model(X_test)
　　_, predicted = torch.max(outputs.data, 1)
　　accuracy = (predicted == y_test).sum().item() / len(y_test)
　　print(f'Accuracy: {accuracy:.2f}')
　　这个示例展示了如何使用 PyTorch 构建一个简单的全连接神经网络模型，用于分类任务。实际应用中，你可能需要根据具体的数据和任务调整模型的结构、损失函数和优化器等。