现在，我们将定义我们的超参数

# Hyper Parameters

input_size = 784

num_classes = 10

num_epochs = 5

batch_size = 100

learning_rate = 0.001

在我们的数据集中，图像大小为28 * 28。因此，我们的输入大小是784.此外，这里有10位数字，因此，我们可以有10个不同的输出。因此，我们将num_classes设置为10.此外，我们将在整个数据集上训练五次。最后，我们将分别训练小批量的100张图像，以防止因内存溢出而导致程序崩溃。

在此之后，我们将定义我们的模型如下。在这里，我们将我们的模型初始化为torch.nn.Module的子类，然后定义前向传递。在我们编写的代码中，softmax在每次正向传递期间内部计算，因此我们不需要在forward（）函数内指定它。

class LogisticRegression(nn.Module):

def __init__(self, input_size, num_classes):

super(LogisticRegression, self).__init__()

self.linear = nn.Linear(input_size, num_classes)

def forward(self, x):

out = self.linear(x)

return out

定义了我们的类之后，现在我们实例化了一个对象

model = LogisticRegression(input_size, num_classes)

接下来，我们设置损失函数和优化器。在这里，我们将使用交叉熵损失，对于优化器，我们将使用随机梯度下降算法，其学习率为0.001，如上面的超参数中所定义。

criterion = nn.CrossEntropyLoss()

optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)