大模型其实大多都是基于“神经网络”技术构建的。虽然“神经网络”这个词听起来挺神秘、挺高深，但其实用 PyTorch 搭建一个简单的神经网络，比你想象的要容易得多。举个例子，如果我们想让模型学会 y = x² 这样的规律，只需要几行代码就能实现。
AI 科普达人 New Machina 会用 5 分钟时间，带大家用 PyTorch 搭建一个超简易的神经网络，帮你快速入门，直观了解神经网络和模型训练的基本原理。
整体流程大致分为以下 6 步
1. 准备和生成数据
可以自己生成一些简单的合成数据，比如让 x 在一定区间内均匀分布，再加点噪声，目标是让神经网络学会 y = x² 这样的规律。一般用 torch.linspace 生成 x，再算出 y。
2. 划分训练集和测试集
有了数据之后，要把数据随机打乱，然后分成训练集和测试集。通常是 80% 用来训练，剩下的 20% 用来测试效果，这样才能知道模型到底学到了什么。
3. 定义神经网络结构
这一步就是写一个神经网络的“蓝图”。在 PyTorch 里，就是新建一个类，继承自 nn.Module，里面定义好每一层，比如输入层、一个有 32 个神经元的隐藏层、输出层，还有前向传播的方法（forward）。
4. 实例化模型，设置损失函数和优化器
定义完结构以后，要实例化这个网络模型。然后选一个损失函数（比如均方误差 MSE），再选一个优化器（常用的是 Adam），它们会帮你衡量预测的好坏，并自动调整参数。
5. 训练模型
训练就是把训练集的数据一批批送进网络，让模型预测，然后算损失，再通过优化器更新参数。这个过程要循环很多次，每次模型都会变得更聪明一点。
6. 评估和可视化结果
最后，用测试集来检验模型在没见过的数据上的表现。可以把真实值和预测值画在一张图里，看看模型到底学得怎么样。这一步能直观地展示效果，也方便你调整和改进。
当然，真正的神经网络和模型训练远比这个例子复杂，但通过亲手搭建一个微型神经网络，能让你更直观地理解它的基本原理和实现方式。
