备注
点击 这里 下载完整示例代码
学习基础知识 || 快速入门 || 张量 || 数据集与DataLoaders || 数据变换 || 构建模型 || 自动微分 || 优化 || 保存与加载模型
构建神经网络¶
Created On: Feb 09, 2021 | Last Updated: Jan 24, 2025 | Last Verified: Not Verified
神经网络由执行数据操作的层/模块组成。torch.nn 命名空间提供了构建自定义神经网络所需要的所有构件。PyTorch 中的每个模块都是 nn.Module 的子类。神经网络本身就是一个包含其他模块（层）的模块。这种嵌套结构使得构建和管理复杂的架构变得容易。
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
获取训练设备¶
我们希望能够在 CUDA、MPS、MTIA 或 XPU 等 `加速器 <https://pytorch.org/docs/stable/torch.html#accelerators>`__上训练模型。如果当前加速器可用，我们将使用它。否则，我们使用 CPU。
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")
Using cuda device
定义类¶
我们通过继承 nn.Module 来定义神经网络，并在 __init__ 中初始化神经网络层。每个 nn.Module 子类都在其 forward 方法中对输入数据执行操作。
class NeuralNetwork(nn.Module):
def __init__(self):
super().__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
我们创建一个 NeuralNetwork 的实例，并将其移动到 device 上，并打印其结构。
model = NeuralNetwork().to(device)
print(model)
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)
)
)
为了使用模型，我们将输入数据传递给它。这会执行模型的 forward 方法以及一些 后台操作。不要直接调用 model.forward()。
调用模型时，输入会返回一个二维张量，dim=0 对应每个类别的 10 个原始预测值，dim=1 对应每个类别的各个单独值。通过将结果传递给 nn.Softmax 模块的实例，我们可以获得预测概率。
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}")
Predicted class: tensor([3], device='cuda:0')
模型的层¶
让我们分解 FashionMNIST 模型中的层。为了说明这一点，我们将使用一个包含 3 张图片的样本小批量，这些图片尺寸为 28x28，并查看当我们将它们通过网络时会发生什么。
input_image = torch.rand(3,28,28)
print(input_image.size())
torch.Size([3, 28, 28])
nn.Flatten¶
我们初始化 nn.Flatten 层，将每个二维 28x28 图像转换为连续的 784 像素值数组（保持小批量维度（在 dim=0））。
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())
torch.Size([3, 784])
nn.ReLU¶
非线性激活是神经网络输入和输出之间创建复杂映射的关键。它们应用于线性转换之后，引入 非线性，帮助神经网络学习广泛的现象。
在这个模型中，我们在线性层之间使用 nn.ReLU，但是您可以使用其他激活方法在模型中引入非线性。
Before ReLU: tensor([[ 0.1082, 0.2607, -0.0803, 0.4393, -0.2751, -0.1598, -0.3396, -0.1267,
0.1498, 0.5499, -0.3696, -0.2498, 0.1291, 0.2859, -0.4803, -0.3475,
0.0810, -0.2506, -0.2422, 0.2068],
[ 0.2251, 0.6316, -0.1201, 0.6227, 0.0540, 0.0446, -0.3771, -0.0794,
0.2245, 0.4890, 0.1999, -0.0085, 0.0879, 0.4191, -0.6633, -0.0096,
0.2844, 0.1656, -0.1447, 0.2600],
[ 0.0810, 0.4832, -0.0078, 0.2615, -0.2108, -0.2037, 0.0895, -0.1110,
-0.1653, 0.5774, -0.4137, -0.2449, -0.0132, 0.0149, -0.6887, -0.0839,
0.1992, 0.1747, -0.3002, 0.0147]], grad_fn=<AddmmBackward0>)
After ReLU: tensor([[0.1082, 0.2607, 0.0000, 0.4393, 0.0000, 0.0000, 0.0000, 0.0000, 0.1498,
0.5499, 0.0000, 0.0000, 0.1291, 0.2859, 0.0000, 0.0000, 0.0810, 0.0000,
0.0000, 0.2068],
[0.2251, 0.6316, 0.0000, 0.6227, 0.0540, 0.0446, 0.0000, 0.0000, 0.2245,
0.4890, 0.1999, 0.0000, 0.0879, 0.4191, 0.0000, 0.0000, 0.2844, 0.1656,
0.0000, 0.2600],
[0.0810, 0.4832, 0.0000, 0.2615, 0.0000, 0.0000, 0.0895, 0.0000, 0.0000,
0.5774, 0.0000, 0.0000, 0.0000, 0.0149, 0.0000, 0.0000, 0.1992, 0.1747,
0.0000, 0.0147]], grad_fn=<ReluBackward0>)
nn.Sequential¶
nn.Sequential 是一个按顺序排列的模块容器。数据会按照定义的顺序依次通过所有模块。您可以使用顺序容器快速搭建一个网络，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的 logits 是 [-infty, infty] 范围内的原始值，这些值会被传递给 nn.Softmax 模块。logits 被缩放为 [0, 1] 的值，表示模型预测的每个类别的概率。dim 参数指示这些值需要相加为1的维度。
softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)
模型参数¶
神经网络中的许多层是 参数化的，也就是说它们有相关联的权重和偏置，这些权重和偏置会在训练过程中被优化。通过继承 nn.Module，可以自动追踪模型对象内定义的所有字段，并通过调用模型的 parameters() 或 named_parameters() 方法访问所有参数。
在这个示例中，我们迭代每个参数，并打印它们的大小及其值的预览。
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")
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([[-0.0269, -0.0093, -0.0243, ..., 0.0283, 0.0274, 0.0187],
[ 0.0176, -0.0315, -0.0225, ..., 0.0161, 0.0100, 0.0230]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([-0.0129, 0.0176], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[ 0.0409, -0.0028, 0.0306, ..., -0.0302, 0.0010, 0.0319],
[ 0.0010, 0.0105, -0.0276, ..., -0.0122, 0.0358, -0.0189]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([-0.0146, 0.0077], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[ 0.0312, 0.0284, -0.0296, ..., -0.0255, -0.0238, -0.0150],
[-0.0365, 0.0128, 0.0315, ..., 0.0274, 0.0073, -0.0227]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([-0.0410, 0.0270], device='cuda:0', grad_fn=<SliceBackward0>)
