🍀关于torch.nn
torch.nn是PyTorch（一个流行的开源深度学习库）中的一个模块，用于构建神经网络模型。它提供了各种用于构建深度神经网络的类和函数，使得开发者可以轻松地定义、训练和部署各种类型的神经网络模型。
torch.nn模块中最重要的类是Module，它是所有神经网络模型的基类。开发者可以通过继承Module类来构建自定义的神经网络模型。Module类提供了许多有用的方法，例如forward方法用于定义模型的前向传播，parameters方法用于获取模型的参数等。
torch.nn模块还提供了许多常用的层和函数，例如线性层（Linear）、卷积层（Conv2d）、循环神经网络层（RNN）、长短期记忆网络层（LSTM）、激活函数（ReLU、Sigmoid等）等。这些层和函数可以被灵活地组合以构建各种类型的神经网络模型。
除了层和函数之外，torch.nn模块还提供了各种工具和类，用于处理输入数据、定义损失函数、计算优化算法等。例如，DataLoader类用于加载和批处理数据，Loss类用于定义损失函数，Optimizer类用于选择和配置优化算法等。
总之，torch.nn模块为开发者提供了一个高级的、灵活的接口，用于构建和训练神经网络模型。它的设计目标是简化神经网络模型的开发过程，并提供良好的性能和易用性。
🍀构建神经网络的基本流程
构建神经网络的一般流程如下：
- 数据准备：首先，你需要准备好用于训练神经网络的数据集。这包括分割数据集为训练集、验证集和测试集，并对数据进行预处理，例如标准化、归一化或数据增强等操作。
- 定义模型的结构：使用torch.nn模块，你可以定义一个继承自
torch.nn.Module的自定义类来构建神经网络模型。在这个类中，你需要定义模型的各个层（如卷积层、全连接层等）以及它们之间的连接关系。你还可以定义一个forward方法来定义模型的前向传播过程。 - 初始化模型参数：在定义模型结构后，你需要初始化模型的参数。PyTorch提供了一些方便的方法来初始化参数，例如使用
torch.nn.init模块中的函数进行参数初始化。 - 定义损失函数：选择适当的损失函数来衡量模型的预测结果与实际标签之间的差异。常见的损失函数包括均方误差（MSE）、交叉熵损失函数等。你可以使用torch.nn模块中提供的损失函数，或者根据需要自定义损失函数。
- 定义优化器：选择合适的优化算法来更新模型的参数以最小化损失函数。常见的优化算法包括随机梯度下降（SGD）、Adam、Adagrad等。你可以使用torch.optim模块中提供的优化器，也可以根据需要自定义优化器。
- 训练模型：使用训练集对模型进行训练。在每个训练迭代中，你需要按照以下步骤执行：
a. 将输入数据传递给模型，并计算模型的输出。
b. 将模型输出与实际标签进行比较，计算损失函数的值。
c. 根据损失函数的值，使用反向传播算法计算梯度。
d. 使用优化器更新模型的参数。 - 模型评估：使用验证集对训练过程中的模型进行评估。计算模型在验证集上的预测准确率、损失值或其他指标，以评估模型在未见过的数据上的性能。
- 模型调优和调试：根据验证集的结果，对模型进行调优和调试。你可以根据需要调整模型的结构、超参数或训练策略，以获得更好的性能。
- 模型应用：在模型训练和调试完成后，你可以使用模型对新的未知数据进行预测或推断。
这是一个基本的神经网络构建流程，具体的实现细节和步骤可能因任务而异。在实践中，你可能还需要进行超参数调优、使用正则化方法来防止过拟合，以及使用其他技术来改进模型的性能。
🍀构建第一个神经网络
import torch import torch.nn as nn import torch.nn.functional as F # 定义网络类 class Net(nn.Module): def __init__(self): super(Net, self).__init__() # 定义第一层卷积层，输入维度等于1，输出维度等于6，卷积核大小3*3 self.conv1 = nn.Conv2d(1, 6, 3) # 定义第二层卷积层，输入维度6，输出维度16，卷积核大小3*3 self.conv2 = nn.Conv2d(6, 16, 3) # 定义三层全连接神经网络 self.fc1 = nn.Linear(16 * 6 * 6, 120) self.fc2 = nn.Linear(120, 84) self.fc3 = nn.Linear(84, 10) def forward(self, x): # 注意任意卷积层后面要加激活层 x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2)) x = F.max_pool1d(F.relu(self.conv2(x)), 2) # 经过卷积层的处理，张量要进入全连接层，进入前需要调整张量的形状 x = x.view(-1, self.num_flat_features(x)) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) return x def num_flat_features(self, x): size = x.size()[1:] num_features = 1 for i in size: num_features *= i return num_features net = Net() print(net)
运行结果如下
🍀总结
本篇文章是在b站学习后完成的，若有人想了解视频可以点击Python人工智能20个小时玩转NLP自然语言处理【黑马程序员】
挑战与创造都是很痛苦的，但是很充实。
