定义全连接网络nn.Flatten(), # 将28x28图像展平为784维向量nn.Linear(784, 256), # 输入层到隐藏层nn.ReLU(), # 激活函数nn.Linear(256, 10) # 隐藏层到输出层# 权重初始化函数net.apply(init_weights) # 应用初始化net.to(device) # 转移至GPU（如果可用）

x = torch.normal(0, 1, (num_examples, len(w))) # 生成正态分布的特征y = torch.matmul(x, w) + b # 计算标签 y = Xw + by += torch.normal(0, 0.01, y.shape) # 添加噪声return x, y.reshape((-1, 1)) # 返回特征和列向量形式的标签# 真实参数# 生成10

我们将定义一个简单的卷积神经网络模型。该模型包含两个卷积层、两个最大池化层和两个全连接层。我们使用交叉熵损失函数和Adam优化器来训练模型。通过本教程，我们学习了如何使用PyTorch构建一个简单的卷积神经网络来识别MNIST手写数字。我们涵盖了数据加载、模型定义、训练和测试等步骤。希望本教程对你理解如何使用PyTorch进行深度学习有所帮助。如果你有任何问题或建议，欢迎在评论区留言！