在Pytorch中搭建神經網絡通常需要遵循以下步驟：

1. 定義神經網絡的結構：通過創建一個繼承自torch.nn.Module的類來定義神經網絡的結構，其中包含網絡的層和操作。

import torch
import torch.nn as nn

class MyNetwork(nn.Module):
    def __init__(self):
        super(MyNetwork, self).__init__()
        self.fc1 = nn.Linear(784, 128)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)
        
    def forward(self, x):
        x = self.fc1(x)
        x = self.relu(x)
        x = self.fc2(x)
        return x

2. 實例化神經網絡：創建一個神經網絡的實例。

model = MyNetwork()

3. 定義損失函數和優化器：選擇合適的損失函數和優化器來訓練神經網絡。

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

4. 訓練神經網絡：通過循環迭代訓練數據集，計算損失并進行反向傳播更新參數。

for epoch in range(num_epochs):
    for i, (inputs, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

5. 使用神經網絡進行預測：使用訓練好的神經網絡進行預測。

outputs = model(inputs)
predictions = torch.argmax(outputs, dim=1)

這就是在Pytorch中搭建自己的神經網絡的基本步驟。您可以根據自己的需求和數據集來調整網絡結構、損失函數和優化器等參數以獲得更好的性能。