8.初识Pytorch之nn.Module神经网络基本架构的使用

首先，我们来看一段代码分析，nn.Module的整体用法

简单粗暴上代码：

import torch 
from torch import nn

class Example(nn.Module):
	def __init__(self):
		super().__init__()
	def forward(self,input):
		output = input + 1
		return output
		
if __name__ == "__main__":
	example = Example()
	input = torch.tensor(1)
	output = example(input)
	print(output)

结果：

• 以下是个人理解，如有不正确请指教！

从上述程序中可以分析得出Pytorch继承了nn.Moudle的类使用方式：

1. 需要在class Example中继承nn.module
2. 接着，需要一个__init__函数来定义所需的变量，当定义example及这句example = Example()时便是调用__init__函数
3. 当具体创建example及output=example(input)时,便是调用Example类中的forward函数，在卷积神经网络来说就是正向传播

---

接着，我们来看一个真正的运用在神经网络中nn.Module，我们定义一个简单的卷积神经网络

简单粗暴上代码：（官网的代码，但是最后的forward函数，官网写得对我不是特别友好，我改成了我常用的形式）

官方代码：

---

我的代码：

import torch
from torch import nn
import torch.nn.functional as F


class Module(nn.Module):
    def __init__(self):
        super(Module, self).__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        return x

只是，将第一段代码的变量由数字换成了卷积，其实可以很容易的理解。
上一章 7.初识Pytorch使用Dataloader
下一章 9.初识Pytorch使用卷积层并对其进行可视化