pytorch 构建神经网络

---

神经网络由对数据执行操作的层或模块组成。torch.nn命名空间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。神经网络本身也是一个模块，但它由其他模块（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
复制代码

1. 获取训练设备

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")
复制代码

Using cuda device
复制代码

2. 定义模型类

我们通过子类化定义我们的神经网络nn.Module，并在__init__中初始化神经网络层。每个nn.Module子类都在forward方法中实现对输入数据的操作。

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
复制代码

我们创建NeuralNetwork的实例，并将其移动到device，并打印其结构。

model = NeuralNetwork().to(device)
print(model)
复制代码

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)
  )
)
复制代码

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。但不要直接调用model.forward()！

在输入上调用模型会返回一个二维张量，其中 dim=0 对应于每个类的 10 个原始预测值的每个输出，而 dim=1 对应于每个输出的各个值。我们通过一个nn.Softmax模块的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}")
复制代码

Predicted class: tensor([7], device='cuda:0')
复制代码

---

3. 模型层

让我们详细说明 FashionMNIST 模型中的每个层。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向前传播时会发生什么。

input_image = torch.rand(3,28,28)
print(input_image.size())
复制代码

torch.Size([3, 28, 28])
复制代码

3.1 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())
复制代码

torch.Size([3, 784])
复制代码

3.2 nn.Linear

线性层使用其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())
复制代码

torch.Size([3, 20])
复制代码

3.3 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。它们在线性变换后以引入非线性变换，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}")
复制代码

Before ReLU: tensor([[-2.8178e-01, -1.9056e-01, -4.2242e-01,  8.7314e-01,  1.2661e-01,
         -2.3324e-02, -4.4453e-01, -6.5368e-01,  1.0900e-02, -9.2943e-02,
         -5.4586e-01,  1.0089e-01, -4.7385e-02, -2.0129e-01, -1.8159e-01,
          2.3144e-01,  1.1471e-01, -3.1626e-01,  2.5034e-01, -1.9407e-01],
        [ 3.5672e-02,  1.6900e-01, -9.7982e-02,  4.9019e-01,  6.8456e-02,
         -2.2985e-02, -4.1181e-01, -2.0627e-01,  6.6514e-02, -2.0231e-01,
         -4.0097e-01,  4.0099e-02,  4.0609e-03,  2.6897e-01, -8.6034e-02,
          7.1209e-02,  3.4773e-02, -1.3827e-01,  1.3006e-01, -1.8710e-01],
        [-2.2436e-01, -9.2731e-02, -2.0311e-01,  8.1353e-01,  2.7119e-01,
         -1.2389e-01, -6.8425e-01, -4.3364e-01,  1.6657e-01,  1.0768e-01,
         -5.7534e-01,  5.1125e-01, -9.5867e-02,  5.6160e-04,  3.0365e-01,
          4.6523e-01,  1.4591e-03, -2.4904e-02, -1.4773e-01, -1.9605e-01]],
       grad_fn=)


After ReLU: tensor([[0.0000e+00, 0.0000e+00, 0.0000e+00, 8.7314e-01, 1.2661e-01, 0.0000e+00,
         0.0000e+00, 0.0000e+00, 1.0900e-02, 0.0000e+00, 0.0000e+00, 1.0089e-01,
         0.0000e+00, 0.0000e+00, 0.0000e+00, 2.3144e-01, 1.1471e-01, 0.0000e+00,
         2.5034e-01, 0.0000e+00],
        [3.5672e-02, 1.6900e-01, 0.0000e+00, 4.9019e-01, 6.8456e-02, 0.0000e+00,
         0.0000e+00, 0.0000e+00, 6.6514e-02, 0.0000e+00, 0.0000e+00, 4.0099e-02,
         4.0609e-03, 2.6897e-01, 0.0000e+00, 7.1209e-02, 3.4773e-02, 0.0000e+00,
         1.3006e-01, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 0.0000e+00, 8.1353e-01, 2.7119e-01, 0.0000e+00,
         0.0000e+00, 0.0000e+00, 1.6657e-01, 1.0768e-01, 0.0000e+00, 5.1125e-01,
         0.0000e+00, 5.6160e-04, 3.0365e-01, 4.6523e-01, 1.4591e-03, 0.0000e+00,
         0.0000e+00, 0.0000e+00]], grad_fn=)
复制代码

3.4 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)
复制代码

3.5 nn.Softmax

神经网络的最后一个线性层返回logits - 原始值的范围为[-infty, infty] - 被传递给 nn.Softmax模块。logits 把值缩放到 [0, 1]区间，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)
复制代码

4. 模型参数

神经网络内的许多层都是参数化的，即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，并使用模型的parameters()或named_parameters()方法访问所有参数。

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")
复制代码

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([[-0.0141, -0.0063,  0.0096,  ..., -0.0356, -0.0350,  0.0024],
        [ 0.0061, -0.0039,  0.0248,  ..., -0.0206, -0.0082,  0.0338]],
       device='cuda:0', grad_fn=)

Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([0.0041, 0.0091], device='cuda:0', grad_fn=)

Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[-0.0261, -0.0256, -0.0284,  ...,  0.0257,  0.0216, -0.0032],
        [-0.0419,  0.0007, -0.0021,  ..., -0.0327,  0.0298,  0.0193]],
       device='cuda:0', grad_fn=)

Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([0.0280, 0.0200], device='cuda:0', grad_fn=)

Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-2.6175e-02,  1.3856e-03, -8.3709e-05,  ..., -7.1290e-03,
          3.2877e-02,  1.9994e-02],
        [-5.5316e-04,  1.1257e-02, -2.5447e-02,  ...,  3.3785e-02,
          1.1102e-02, -1.8905e-02]], device='cuda:0', grad_fn=)

Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([-0.0314,  0.0086], device='cuda:0', grad