神經網絡作為人工智能的重要組成部分，在圖像處理、自然語言處理、語音識別、機器翻譯等領域具有廣泛的應用。本文將詳細介紹如何搭建簡單的神經網絡框架并進行訓練。在搭建神經網絡前，對數據集的下載和處理的詳細可以看我的這篇博客：（神經網絡模型（最細的手寫字識別案例）_AI_dataloads的博客-CSDN博客）

首先定義一個名為NeuralNetwork的類，它繼承了PyTorch框架的nn.Module類，用于創(chuàng)建神經網絡。 接下來部分是類的構造函數，用于初始化神經網絡的各個層。在這個類中，初始化了以下層：

• ：一個將輸入展平的層。
• ：第一個隱藏層，輸入大小為28x28（圖像大小），輸出大小為128。
• ：第二個隱藏層，輸入大小為128，輸出大小為128。
• ：第三個隱藏層，輸入大小為128，輸出大小為64。
• ：輸出層，輸入大小為64，輸出大小為10（類別數）。

這部分定義了前向傳播方法，通過前向傳播計算輸入數據的輸出。首先輸入的數據先通過層展平，然后依次經過隱藏層和激活函數進行線性變換和非線性處理。最后經過輸出層輸出預測結果。（注意這個函數也是定義在NeuralNetwork之中的。）

這行代碼創(chuàng)建了一個的神經網絡模型實例，并將其移動到特定的設備（我這里使用的是GPU）上進行計算。如何查看自己的torch設備（device）可以查看這篇博客：神經網絡模型（最細的手寫字識別案例）_AI_dataloads的博客-CSDN博客

這行代碼創(chuàng)建了一個的實例，用作損失函數。想要了解神經網絡中的損失函數可以看我的這篇博客：pytorch中損失函數的使用_AI_dataloads的博客-CSDN博客

這行代碼創(chuàng)建了一個Adam優(yōu)化器的實例，將模型參數和學習率作為參數傳入。想了解優(yōu)化器的定義可以參考我的這篇博客：pytorch中損失函數的使用_AI_dataloads的博客-CSDN博客

這行代碼定義了一個名為的函數，用于進行訓練。函數接受訓練數據、模型、損失函數和優(yōu)化器作為輸入參數。

這行代碼調用函數來開始模型的訓練。它傳入訓練數據、模型、損失函數和優(yōu)化器，并執(zhí)行訓練過程。（注意訓練前要先獲取dataloader，詳細可以參考我的博客：PyTorch DataLoader詳解：如何高效加載和處理大規(guī)模數據集？_AI_dataloads的博客-CSDN博客

下面是運行后的結果：可以看出一共進行了938次，并展示了每一次的損失值

下面是完整代碼展示：