作者系北京航空航天大學人工智能方向碩士，專注於NLP方向，歡迎大家多多交流。
工欲善其事必先利其器，TensorFlow和Pytorch之爭愈演愈烈，其實大可不必在框架工具選擇上耗費精力，我們根據自己的喜好選擇就好，畢竟只是工具而已。
今天小白就來教入門的小寶貝兒們使用Pytorch來搭建我們的第一個可以用來訓練的神經網絡。
如果對神經網絡不太瞭解的小夥伴可以關注我，我會出一個系列教程的（嗯嗯，先挖坑）。
首先我們要導入torch（搭建模型）、numpy（生成數據）、matplot（用於可視化）等庫。
<code>import torch
import torch.nn.functional as F
from torch import nn
from torch.autograd import Variable
import matplotlib.pyplot as plt
import numpy as np/<code>
接下來我們構建一組數據用來訓練我們搭建的神經網絡模型。
<code>n_data = torch.ones(100,2)
x0= torch.normal(2*n_data,1)
y0= torch.zeros(100)
x1 = torch.normal(-2*n_data,1)
y1 = torch.ones(100)
x = torch.cat((x0,x1),0).type(torch.FloatTensor)
y = torch.cat((y0,y1),0).type(torch.LongTensor)
x,y = Variable(x),Variable(y)
plt.scatter(x.data.numpy()[:,0],x.data.numpy()[:,1],c=y.data.numpy())#,s=100,lw=0,cmap="RdYlGn")
/<code>
看起來很複雜的樣子，大家不要被嚇到，小白來給大家解釋下，這段代碼的核心是2、4行，也就是normal函數，以第2行為例
<code> x0= torch.normal(2*n_data,1)/<code>
這個函數的作用是從均值為2*n_data,標準差為1的相互獨立的正態分佈中取值，也就是說其實是使我們得到的數據服從正態分佈，後面我們畫圖出來就一目瞭然了，大家暫時不理解也不要緊。
第11行是將生成的數據畫做散點圖可視化，可以看到我們生成了兩塊不同區域的散點圖，我們的目的就是要訓練一個神經網絡模型，將這兩個區域的點分開。
下面我們要開始搭建神經網絡了，are u ready?
一個典型的神經網絡要有輸入層、隱藏層、輸出層，接下來我們就來一行一行的代碼搭建這個模型。
2-5行定義了模型的初始化函數，n_features對應輸入層的神經元數量，n_hidden對應的是隱藏層的神經元數量，n_output對應的輸出層的神經元數量。
第4行定義了從輸入層到隱藏層的線性變換
<code>self.hidden = torch.nn.Linear(n_features,n_hidden)#指定隱藏層有多少輸入，多少輸出/<code>
第5行定義了從隱藏層到輸出層的線性變換
<code>self.predict = torch.nn.Linear(n_hidden,n_output)/<code>
6-9行定義了前向傳播函數，這個forward函數定義了網絡各層之間是如何連接的，這裡的激活函數我們使用了relu函數。
到這裡我們的第一個神經網絡模型就搭建完成了，接下來，我們要開始訓練這個網絡模型了，想想還有點小興奮。（未完待續）
我建了一個群，大家可以一起討論，關注後私信我，學習路上不孤單。
閱讀更多 編程鎮魔司 的文章
