CC BY 4.0 （除特别声明或转载文章外）
如果这篇博客帮助到你，可以请我喝一杯咖啡~
构建神经网络
神经网络由对数据执行操作的层/模块组成。torch.nn命名空间提供了构建自己的神经网络所需的所有构建块。PyTorch中的每个模块都是 nn.Module 的子类。神经网络是一个模块本身，它由其他模块（层）组成。这种嵌套结构允许轻松构建和管理复杂的架构。
在接下来的部分中，我们将构建一个神经网络来对 FashionMNIST 数据集中的图像进行分类。
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
获取培训设备
我们希望能够在 GPU 等硬件加速器（如果可用）上训练我们的模型。让我们检查一下 torch.cuda是否可用，否则我们继续使用CPU。
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")
OUT:
Using cuda device
定义类
我们通过子类化定义我们的神经网络nn.Module，并在 中初始化神经网络层__init__。每个nn.Module子类都在方法中实现对输入数据的操作forward。
class NeuralNetwork(nn.Module):
def __init__(self):
super(NeuralNetwork, self).__init__()
self.flatten = nn.Flatten()
self.linear_relu_stack = nn.Sequential(
nn.Linear(28*28, 512),
nn.ReLU(),
nn.Linear(512, 512),
nn.ReLU(),
nn.Linear(512, 10),
)
def forward(self, x):
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits
我们创建 的实例NeuralNetwork，并将其移动到device，并打印其结构。
model = NeuralNetwork().to(device)
print(model)
OUT:
NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
要使用模型，我们将输入数据传递给它。这将执行模型的forward，以及一些后台操作。不要model.forward()直接回调！
在输入上调用模型会返回一个 10 维张量，其中包含每个类的原始预测值。我们通过nn.Softmax模块的一个实例来获得预测概率。
X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")
OUT:
Predicted class: tensor([0], device='cuda:0')
模型层
让我们分解 FashionMNIST 模型中的层。为了说明这一点，我们将抽取 3 张大小为 28x28 的图像的小批量样本，看看当我们通过网络传递它时会发生什么。
input_image = torch.rand(3,28,28)
print(input_image.size())
OUT:
torch.Size([3, 28, 28])
nn.Flatten
我们初始化nn.Flatten 层以将每个 2D 28x28 图像转换为 784 个像素值的连续数组（保持小批量维度（dim=0））。
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())
OUT:
torch.Size([3, 784])
nn.Linear
线性层是一个模块，它 使用其存储的权重和偏差对输入应用线性变换。
layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())
OUT:
torch.Size([3, 20])
nn.ReLU
非线性激活是在模型的输入和输出之间创建复杂映射的原因。它们在线性变换后应用以引入非线性，帮助神经网络学习各种现象。
在这个模型中，我们在线性层之间使用nn.ReLU，但是还有其他激活可以在模型中引入非线性。
print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")
OUT:
Before ReLU: tensor([[ 0.2900, -0.0877, 0.5323, 0.8204, 0.5510, -0.2995, -0.2088, 0.0265,
0.2053, -0.0942, -0.0232, 0.0479, -0.1911, -0.4061, 0.5482, 0.1485,
-0.1610, -0.0270, 0.0733, -0.3143],
[ 0.1451, -0.0142, 0.5657, 0.8793, 0.4691, -0.0262, 0.0396, 0.0484,
0.3901, 0.0995, -0.1170, 0.1374, -0.1050, -0.3080, -0.2261, 0.1466,
-0.2280, 0.0584, -0.2568, 0.0326],
[ 0.1920, -0.0377, 0.8050, 0.8166, 0.4925, 0.3568, -0.1310, 0.0982,
0.2234, 0.3355, -0.0463, 0.0299, -0.1813, -0.4084, 0.1847, -0.0153,
-0.0925, -0.0377, 0.0320, -0.1275]], grad_fn=<AddmmBackward0>)
After ReLU: tensor([[0.2900, 0.0000, 0.5323, 0.8204, 0.5510, 0.0000, 0.0000, 0.0265, 0.2053,
0.0000, 0.0000, 0.0479, 0.0000, 0.0000, 0.5482, 0.1485, 0.0000, 0.0000,
0.0733, 0.0000],
[0.1451, 0.0000, 0.5657, 0.8793, 0.4691, 0.0000, 0.0396, 0.0484, 0.3901,
0.0995, 0.0000, 0.1374, 0.0000, 0.0000, 0.0000, 0.1466, 0.0000, 0.0584,
0.0000, 0.0326],
[0.1920, 0.0000, 0.8050, 0.8166, 0.4925, 0.3568, 0.0000, 0.0982, 0.2234,
0.3355, 0.0000, 0.0299, 0.0000, 0.0000, 0.1847, 0.0000, 0.0000, 0.0000,
0.0320, 0.0000]], grad_fn=<ReluBackward0>)
nn.Sequential
nn.Sequential是一个有序的模块容器。数据按照定义的顺序通过所有模块。您可以使用顺序容器来组合一个快速网络，例如seq_modules.
seq_modules = nn.Sequential(
flatten,
layer1,
nn.ReLU(),
nn.Linear(20, 10)
)
input_image = torch.rand(3,28,28)
logits = seq_modules(input_image)
nn.Softmax
神经网络的最后一个线性层返回logits - [-infty, infty] 中的原始值 - 被传递给 nn.Softmax模块。logits 被缩放为值 [0, 1]，表示模型对每个类别的预测概率。dim参数指示值必须总和为 1 的维度。
softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)
模型参数
神经网络内的许多层都是参数化的，即具有在训练期间优化的相关权重和偏差。子类nn.Module化会自动跟踪模型对象中定义的所有字段，并使用模型parameters()或named_parameters()方法使所有参数都可以访问。
在此示例中，我们遍历每个参数，并打印其大小和其值的预览。
print(f"Model structure: {model}\n\n")
for name, param in model.named_parameters():
print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n")
OUT：
Model structure: NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
Layer: linear_relu_stack.0.weight | Size: torch.Size([512, 784]) | Values : tensor([[-0.0142, -0.0281, -0.0273, ..., 0.0326, 0.0103, -0.0294],
[-0.0317, -0.0179, 0.0351, ..., -0.0033, 0.0236, 0.0174]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([-0.0014, 0.0115], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[-0.0136, 0.0198, 0.0318, ..., -0.0344, -0.0054, -0.0205],
[ 0.0294, -0.0173, -0.0092, ..., -0.0296, -0.0081, 0.0229]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([-0.0353, 0.0373], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-0.0083, -0.0411, 0.0099, ..., -0.0270, 0.0263, 0.0175],
[-0.0280, -0.0364, -0.0340, ..., 0.0365, -0.0095, -0.0361]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([0.0139, 0.0053], device='cuda:0', grad_fn=<SliceBackward0>)