本文为 PyTorch 官网教程中：如何构建神经网络。基于 PyTorch 专门构建神经网络的子模块 torch.nn 构建一个简略的神经网络。

残缺教程运行 codelab

torch.nn 文档

神经网络由对数据执行操作的层/模块组成。torch.nn 提供了构建神经网络所需的所有模块。

PyTorch 中的每个模块都是 nn.module 的子类。
在上面的局部中，咱们将构建一个神经网络来进行10品种别的分类。

建设神经网络

神经网络由对数据执行操作的层/模块组成。torch.nn 提供了构建神经网络所需的所有模块。PyTorch 中的每个模块都是 nn.module 的子类。
在上面的局部中，咱们将构建一个神经网络来进行10品种别的分类。

import osimport torchfrom torch import nnfrom torch.utils.data import DataLoaderfrom torchvision import datasets, transforms

加载训练设施

咱们心愿可能在硬件加速器，比方 GPU 上训练咱们的模型。能够通过 torch.cuda 来检测 GPU 是否可用。

device = 'cuda' if torch.cuda.is_available() else 'cpu' #检测gpu是否可用，不可用应用cpuprint('Using {} device'.format(device)) #输入应用设施类型

定义类

咱们通过 nn.Module 来定义神经网络，并在__init__ 中初始化神经网络。每个 nn.Module 子类在 forward 办法中实现对输出数据的操作。

class NeuralNetwork(nn.Module):    def __init__(self): #定义网络结构        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),            nn.ReLU()        )    def forward(self, x): #前向流传        x = self.flatten(x)        logits = self.linear_relu_stack(x)        return logits

在应用模型前须要先实例化模型，并将其挪动到 GPU 上

model = NeuralNetwork().to(device) #实例化模型print(model)

为了在模型的输出和输入之间创立简单的非线性映射，须要应用非线性的激活函数。

它们在线性变换后引入非线性，帮忙神经网络学习各种各样的简单映射。在这个模型中，咱们在线性层之间应用 nn.ReLU，也能够应用其余激活函数来引入非线性。

X = torch.rand(1, 28, 28, device=device)  #生成（1，28，28）的数据logits = model(X) #向模型输出数据pred_probab = nn.Softmax(dim=1)(logits) #调用softmax 将预测值映射为（0，1）间的概率y_pred = pred_probab.argmax(1) #最大概率对应分类print(f"Predicted class: {y_pred}")

神经网络各层阐明

接下来，咱们合成网络来具体讲述每一层的性能。

为了阐明这一点，咱们将取小批量的3个尺寸为28x28的图像样本输出网络

input_image = torch.rand(3,28,28) #生成（3，28，28）的数据print(input_image.size())

nn.Flatten 层

Flatten 层用来把多维的输出一维化，罕用在从卷积层到全连贯层的过渡。

nn.Flatten 层，能够将每个 28x28 图像转换 784 ($28\times 28=784$)个像素值的间断数组（批量维度放弃为3）。

flatten = nn.Flatten() flat_image = flatten(input_image) #（3，28，28）转换为（3，784）print(flat_image.size())

nn.Linear 层

nn.Linear 层，即线性层，是一个使用权重和偏差对输出数据作线性变换的模块。

layer1 = nn.Linear(in_features=28*28, out_features=20) #输出（3，28*28） 输入（3，20）hidden1 = layer1(flat_image)print(hidden1.size())

nn.ReLU 层

为了在模型的输出和输入之间创立简单的非线性映射，须要应用非线性的激活函数。它们在线性变换后引入非线性，帮忙神经网络学习各种各样的简单映射。

在这个模型中，咱们在线性层之间应用 nn.ReLU，也能够应用其余激活函数来引入非线性。

print(f"Before ReLU: {hidden1}\n\n")hidden1 = nn.ReLU()(hidden1)print(f"After ReLU: {hidden1}")

nn.Sequential 层

神经网络的最初一个线性层返回 logits，即值域区间在$[-\infty，\infty]$中的原始值。这些值传递给nn.Softmax模块后，logit被缩放为$[0，1]$区间中，示意模型对每个类的预测概率。

dim参数示意每一维度进行运算的地位，运算后果相加为1。

softmax = nn.Softmax(dim=1)pred_probab = softmax(logits)

输入模型构造

神经网络中的许多层都是参数化的，即具备相关联的权重和偏差，这些参数在训练中被迭代优化。

子类 nn.Module 主动跟踪模型对象外部定义的所有字段，并应用模型的 parameters() 或 named_parameters() 办法拜访所有参数。

咱们能够通过模型迭代每个参数，并输入其尺寸和值。

print("Model structure: ", model, "\n\n")for name, param in model.named_parameters():    print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n")

最终输入后果可拜访残缺教程