本文为 PyTorch 官方教程中：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 构建一个简单的神经网络。

完整教程运行 codelab→

https://openbayes.com/console/open-tutorials/containers/OgcYkLjKw89

torch.nn 文档→

https://pytorch.org/docs/stable/nn.html

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。

在下面的部分中，我们将构建一个神经网络来进行10种类别的分类。

建立神经网络

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。

在下面的部分中，我们将构建一个神经网络来进行10种类别的分类。

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

加载训练设备

我们希望能够在硬件加速器，比如 GPU 上训练我们的模型。可以通过 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，不可用使用cpuprint('Using {} device'.format(device)) #输出使用设备类型

定义类

我们通过 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 方法中实现对输入数据的操作。

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): #前向传播        x = self.flatten(x)        logits = self.linear_relu_stack(x)        return logits

在使用模型前需要先实例化模型，并将其移动到 GPU 上

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

为了在模型的输入和输出之间创建复杂的非线性映射，需要使用非线性的激活函数。

它们在线性变换后引入非线性，帮助神经网络学习各种各样的复杂映射。在这个模型中，我们在线性层之间使用 nn.ReLU，也可以使用其他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) #向模型输入数据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}")

神经网络各层说明

接下来，我们分解网络来具体讲述每一层的功能。

为了说明这一点，我们将取小批量的3个尺寸为28x28的图像样本输入网络

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

nn.Flatten 层

Flatten 层用来把多维的输入一维化，常用在从卷积层到全连接层的过渡。

nn.Flatten 层，可以将每个 28x28 图像转换 784 ($28\times 28=784$)个像素值的连续数组（批量维度保持为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入数据作线性变换的模块。

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

nn.ReLU 层

为了在模型的输入和输出之间创建复杂的非线性映射，需要使用非线性的激活函数。它们在线性变换后引入非线性，帮助神经网络学习各种各样的复杂映射。

在这个模型中，我们在线性层之间使用 nn.ReLU，也可以使用其他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

神经网络的最后一个线性层返回 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，表示模型对每个类的预测概率。

dim参数表示每一维度进行运算的位置，运算结果相加为1。

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

输出模型结构

神经网络中的许多层都是参数化的，即具有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 自动跟踪模型对象内部定义的所有字段，并使用模型的 parameters() 或 named_parameters() 方法访问所有参数。

我们可以通过模型迭代每个参数，并输出其尺寸和值。

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

最终输出结果可访问完整教程：

https://openbayes.com/console/open-tutorials/containers/OgcYkLjKw89