ネットワークを構築するステップは、実質的に以下の通りです。
1.データを準備します
2.ネットワーク構造のモデルを定義します
3.損失関数を定義
4.最適化オプティマイザ定義
5.トレーニング
（オプション）、入力データおよびタグの準備5.1テンソル形式
の伝搬損失を計算する前に5.2が計算され、出力ネットワーク出力機能喪失
5.3バックプロパゲーションは、パラメータ更新
次の三つのを次いで劣らず：
5.3.1 optimizer.zero_grad（）はクリア前の反復0から勾配値を計算
5.3.2 loss.backward（）バックプロパゲーション、勾配値算出
5.3.3 optimizer.step（）の重みを更新しますパラメータ
検証セットとトレーニングセットと印刷トレーニング情報の正確性の損失と損失の保存5.4。（オプション
6は、トレーニングプロセスの変化及び精度の損失（オプション）を示す
テストセットに7
コードのコメントは非常に詳細に書かれています
1 インポートトーチ 2 インポートF. AS torch.nn.functional 。3 インポートPLT AS matplotlib.pyplot 。4 。5 ＃1のデータ準備データが生成 。6 X = torch.unsqueeze（torch.linspace（-1,1,100）、薄暗い= 1 ） 。7 プリント（x.shape） 。8 Y = X * X + 0.2 * torch.rand（x.size（）） 。9 ＃表示データスキャッタグラム 10 plt.scatter（x.data.numpy（）、y.data.numpy （）） 。11 12はある ＃ビルドネットの網目構造を定義するために2 13である クラスネット（torch.nn.Module）： 14 ＃1 n_feature：入力の数はn_hidden特徴：n_output隠れ層の数：出力層の数 15 DEF __init__ （セルフ、n_feature、n_hidden、n_output）： 16 ＃スーパーネットは、親クラス・パラメータの初期化が、継承された親クラスを代表する 。17 。スーパー（ネット、自己）__init__ （） 18は、 ＃nn.Linearが表す線形層を表しますY = W W [n_hidden、n_feature]の形状の*のX + B [n_hidden]の形状のB 。19 ＃の寸法Wは、それが逆になる転置前の寸法である^ T * X + B、W Y = 20 = self.hidden torch.nn.Linear（n_feature、n_hidden） 21は self.predict = torch.nn.Linear（n_hidden、n_output） 22は プリント（self.hidden.weight） 23は、 プリント（self.predict.weight） 24 位定義します前の伝播関数 25 DEF フォワード（セルフ、X）： 26である 。＃ n_feature n_hidden n_output 27 ＃例（2、5）5 1 2。 28 ＃ - ** - 29 ＃ - - ** - - - ** 30 ＃ - ** - - - ** 31 ＃ ** - - - ** - - 32 ＃ - ** - 33は、 ＃1 入力層、出力層、中間層 34である X = F.relu（self.hidden（X）） 35 X = self.predict（X ） 36 リターンX 37 [ ＃ネットワークNETの例 38れる NET =ネット（n_feature = 1、n_hidden = 10、= n_output。1 ） 39 プリント（NET） 40の ＃、本明細書に平均二乗誤差を使用3.損失関数の定義（平均二乗誤差） 41は = loss_func トーチ。 nn.MSELoss（） 42は、 ＃、本明細書に確率的勾配降下法定義4.オプティマイザ 43れるオプティマイザ= torch.optim.SGD（net.parameters（）、LR = 0.2 ） 44である 。＃ディスプレイ毎に300回10回更新定義 45 PLTを。イオン（） 46は ＃列車5 47 のために T における範囲（100 ）： 48 予測= NET（X） ＃に基づいて予測XおよびX上の入力 49 = loss_func（予測、y）の損失 位（1 NN出力、2ターゲット）でなければならない 50 ＃5.3反向传播三步不可少 51 optimizer.zero_grad（） ＃次の電車のための明確な勾配 52 loss.backward（） ＃バックプロパゲーション、計算は、勾配 53 optimizer.step（） ＃は勾配適用 54 55 場合のT％10 == 0： 56 ＃のプロットと表示学習プロセス 57 ）plt.cla（ 58 plt.scatter（x.data.numpy（）、Y .data.numpy（）） 59 plt.plot（x.data.numpy（）、prediction.data.numpy（）、' R- '、LW = 5 ） 60 plt.text（0.5、0、' 損失=％。4F '％loss.data。 numpyの（）、fontdict = { ' サイズ'：20、' 色'： ' 赤' }） 61 plt.show（） 62 plt.pause（0.1 ） 63 64 plt.ioff（）
参考：Moのトラブルパイソン