图像识别-pytorch

 Pytorch神经网络工具箱

 神经网络核心组件

神经网络的基本组件

• 层：包括卷积层、池化层、全连接层等。层是神经网络的基本结构，输入张量通过层后变为输出张量。
• 模型：由层构成的网络结构，如AlexNet、VGG等。模型可以是预训练的，也可以自己搭建。
• 损失函数：用于衡量预测值与真实值之间的差距，如均方误差。损失函数越小越好。
• 优化器：用于调整权重和偏置，使损失函数最小化。优化器决定了参数的调整方式。

误差反传（这里使用的）

        反向传播（误差反传）

                输出层——各隐藏层——输入层

构建神经网络的主要工具

nn.Module

        ①继承自Module类，可自动提取可学习的参数。

        ②适用于卷积层、全连接层、dropout层。

nn.functional

        ①更像是纯函数。

        ②适用于激活函数、池化层。

构建神经网络的主要工具-nn.Module

构建神经网络的主要工具-nn.functional

① nn.Module，写法一般为nn.Xxx，如nn.Linear、nn.Conv2d、nn.CrossEntropyLoss等。②nn.functional中的函数，写法一般为nn.funtional.xxx，如nn.funtional.linear、nn.funtional.conv2d、nn.funtional.cross_entropy等。

两者的主要区别如下。

        nn.Xxx继承于nn.Module，nn.Xxx 需要先实例化并传入参数，然后以函数调用的方式调用实例化的对象并传入输入数据。它能够很好的与nn.Sequential结合使用，而nn.functional.xxx无法与nn.Sequential结合使用。

        nn.Xxx不需要自己定义和管理weight、bias参数；而nn.functional.xxx需要你自己定义weight、bias，每次调用的时候都需要手动传入weight、bias等参数, 不利于代码复用。

        dropout操作在训练和测试阶段是有区别的，使用nn.Xxx方式定义dropout，在调用model.eval()之后，自动实现状态的转换，而使用nn.functional.xxx却无此功能。

构建模型

       ① 继承nn.Module基类构建模型。

       ② 使用nn.Sequential按层顺序构建模型。

      ③  继承nn.Module基类构建模型，又使用相关模型容器(nn.Sequential,nn.ModuleList,nn.ModuleDict等）进行封装。

构建模型的步骤

• 定义网络层：确定每一层的类型和参数。
• 构建网络：按照顺序将各层组合起来，形成完整的网络结构。
• 正向传播：从输入层到输出层的计算过程。
• 损失函数：计算预测值与真实值之间的差距。
• 反向传播：根据损失函数调整权重和偏置。