在Pytorch中搭建神经网络通常需要遵循以下步骤：

定义神经网络的结构：通过创建一个继承自torch.nn.Module的类来定义神经网络的结构，其中包含网络的层和操作。

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

实例化神经网络：创建一个神经网络的实例。

model = MyNetwork()

定义损失函数和优化器：选择合适的损失函数和优化器来训练神经网络。

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

训练神经网络：通过循环迭代训练数据集，计算损失并进行反向传播更新参数。

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()

使用神经网络进行预测：使用训练好的神经网络进行预测。

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

这就是在Pytorch中搭建自己的神经网络的基本步骤。您可以根据自己的需求和数据集来调整网络结构、损失函数和优化器等参数以获得更好的性能。