练习：构建一个简单网络

让我们将本章的理念付诸实践，通过搭建一个简单的神经网络。我们将构建一个小型的前馈网络，专为二分类任务而设计。假设我们有包含两个特征的输入数据，并想将每个数据点归入两个类别（0或1）中的一个。

任何PyTorch模型的基础都是torch.nn.Module类。通过继承nn.Module可以创建自定义网络，并在__init__方法中定义层，在forward方法中定义数据流。

定义网络架构

我们将创建一个具有以下特点的网络：

1. 一个接受2个特征的输入层。
2. 一个包含10个神经元和ReLU激活函数的隐藏层。
3. 一个包含1个神经元的输出层，生成适合二分类的单个logit值。

以下是定义此架构的Python代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义网络结构
class SimpleNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNet, self).__init__() # 初始化父类
        self.layer_1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.layer_2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        # 定义前向传播
        out = self.layer_1(x)
        out = self.relu(out)
        out = self.layer_2(out)
        # 注意：如果后续使用BCEWithLogitsLoss，这里不应用Sigmoid
        return out

# 定义网络参数
input_features = 2
hidden_units = 10
output_classes = 1 # 二分类logit的单个输出

# 实例化网络
model = SimpleNet(input_features, hidden_units, output_classes)

# 打印模型结构
print(model)

运行此代码将打印我们新定义网络的结构，显示层及其顺序：

SimpleNet(
  (layer_1): Linear(in_features=2, out_features=10, bias=True)
  (relu): ReLU()
  (layer_2): Linear(in_features=10, out_features=1, bias=True)
)

此输出证实我们有一个线性层，将2个输入特征映射到10个隐藏单元，接着是ReLU激活，最后是另一个线性层，将10个隐藏单元映射到单个输出值。

准备训练组件

在我们开始训练之前（训练的详细内容将在后面介绍），我们需要实例化模型，定义损失函数，并选择一个优化器。让我们来设置这些。

# --- 数据准备（示例占位符）---
# 假设我们有一些输入数据(X)和目标标签(y)
# 对于此示例，我们创建一些虚拟张量
# 包含5个样本的迷你批次，每个样本有2个特征
dummy_input = torch.randn(5, input_features)
# 对应的虚拟标签（0或1）- BCEWithLogitsLoss需要浮点类型
dummy_labels = torch.randint(0, 2, (5, 1)).float()

# --- 实例化模型、损失和优化器 ---
# 模型已在上面实例化：model = SimpleNet(...)

# 损失函数：带Logits的二元交叉熵
# 此损失函数适用于二分类，并期望接收原始logits作为输入
criterion = nn.BCEWithLogitsLoss()

# 优化器：Adam是一个常用的选择
# 我们将模型的参数传递给优化器
learning_rate = 0.01
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

print(f"\n使用的损失函数: {criterion}")
print(f"使用的优化器: {optimizer}")

模拟前向和反向传播

现在我们已经准备好模型、损失函数和优化器，让我们模拟训练过程中的单个步骤，来查看这些组件如何协同工作。这包括：

1. 将输入数据通过模型（前向传播）。
2. 计算模型输出与真实标签之间的损失。
3. 使用反向传播计算梯度。
4. 使用优化器更新模型的权重。

# --- 模拟单个训练步骤 ---

# 1. 前向传播：获取模型预测（logits）
outputs = model(dummy_input)
print(f"\n模型输出（logits）形状：{outputs.shape}")
# print(f"Sample outputs: {outputs.detach().numpy().flatten()}") # 可选：查看输出

# 2. 计算损失
loss = criterion(outputs, dummy_labels)
print(f"计算的损失：{loss.item():.4f}") # .item()获取标量值

# 3. 反向传播：计算梯度
# 首先，确保梯度已从上一步归零（在实际循环中很重要）
optimizer.zero_grad()
loss.backward() # 计算损失相对于模型参数的梯度

# 4. 优化器步骤：更新模型权重
optimizer.step() # 根据计算出的梯度更新参数

# --- 检查参数（可选）---
# 您可以在反向传播后（在optimizer.step()之前）检查梯度
# print("\nlayer_1权重的梯度（示例）：")
# print(model.layer_1.weight.grad[0, :]) # 访问特定参数的梯度

# 或者在步骤后检查参数值
# print("\n更新后的layer_1权重（示例）：")
# print(model.layer_1.weight[0, :])

在此步骤中，我们执行了前向传播，从我们的SimpleNet获取原始输出（logits）。然后我们使用BCEWithLogitsLoss计算这些输出和我们的dummy_labels之间的差异。调用loss.backward()触发了Autograd计算所有requires_grad=True参数的梯度（默认包括我们nn.Linear层的权重和偏置）。最后，optimizer.step()使用计算出的梯度和Adam优化算法更新了模型的参数。请记住在实际训练循环中的下一次反向传播之前调用optimizer.zero_grad()，以防止梯度累积。

您现在已成功使用torch.nn构建了一个简单的神经网络，定义了其层和前向传播，实例化了它，并将其与损失函数和优化器连接起来，为下一阶段：训练做好了准备。