@浙大疏锦行
pytorch简单神经网络的流程
1.数据预处理（归一化、转换成张量）
作用：让数据符合模型输入要求（数值范围稳定、格式为张量）。
归一化：将数据缩放到[0,1]或[-1,1]区间，避免数值差异大导致模型训练不稳定；
张量转换：PyTorch 模型仅接受张量（Tensor）作为输入，需将 Python 列表 / NumPy 数组转成张量。
示例代码：
2.模型的定义
PyTorch 中通过继承nn.Module类来定义模型，需包含 “定义层” 和 “定义前向传播” 两个核心步骤。
i. 继承nn.Module类nn.Module是 PyTorch 中所有模型 / 层的基类，提供了参数管理、设备迁移等功能。
ii. 定义每一个层在__init__方法中定义模型的层（如全连接层nn.Linear、激活函数nn.ReLU等）。
iii. 定义前向传播流程在forward方法中指定数据在层之间的流动顺序（即模型的计算逻辑）。
示例代码：
3.定义损失函数和优化器
损失函数：衡量模型预测值与真实值的差距（如回归任务用MSELoss，分类任务用CrossEntropyLoss）；
优化器：根据损失调整模型参数，最小化损失（常用Adam、SGD）。
示例代码：
4.定义训练流程
核心逻辑：前向传播（算预测）→ 算损失 → 反向传播（算梯度）→ 优化器更新参数，重复多轮（epoch）。
5.可视化 loss 过程
用matplotlib绘制训练过程中损失的变化，观察模型是否收敛。
