pytorch入门基础知识小白必备，强推，超详细！！！（三）神经网络包nn和优化器optm

这个是继上篇自动求导后又一最重要的内容，因此，不要犹豫了，赶紧往下看！
废话不多说，上车吧，少年。

#!/usr/bin/env python
# -*- coding:utf-8 -*- 
# Author: yehaizi time:2019/8/14:10:30

# 神经网络包nn和优化器optm
# torch.nn是专门为神经网络设计的模块化接口。nn构建于 Autograd之上，可用来定义和运行神经网络。 这里我们主要介绍几个一些常用的类
# 约定：torch.nn 我们为了方便使用，会为他设置别名为nn,本章除nn以外还有其他的命名约定
# 除了nn别名以外，我们还引用了nn.functional，这个包中包含了神经网络中使用的一些常用函数，这些函数的特点是，不具有可学习的参数
# (如ReLU，pool，DropOut等)，这些函数可以放在构造函数中，也可以不放，但是这里建议不放。
# 一般情况下我们会将nn.functional 设置为大写的F，这样缩写方便调用
# PyTorch中已经为我们准备好了现成的网络模型，只要继承nn.Module，并实现它的forward方法，PyTorch会根据autograd，
# 自动实现backward函数，在forward函数中可使用任何tensor支持的函数，还可以使用if、for循环、print、log等Python语法，
# 写法和标准的Python写法一致。

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

#打印一下版本
print(torch.__version__)

# 定义一个网络
# 类Net从类nn.module中继承下来的
class Net(nn.Module):
    def __init__(self):
        # nn.Module子类的函数必须在构造函数中执行父类的构造函数，这个是父类的构造函数
        super(Net, self).__init__()

        # 卷积层 '1'表示输入图片为单通道, '6'表示输出通道数，'3'表示卷积核为3*3 此处应该有6个卷积核
        self.conv1 = nn.Conv2d(1, 6, 3)
        # 线性层，输入1350个特征，输出10个特征 应该是说全连接层
        self.fc1 = nn.Linear(1350, 10)  # 这里的1350是如何计算的呢？这就要看后面的forward函数

    # 正向传播
    def forward(self, x):
        print(x.size())  # 结果：[1, 1, 32, 32]
        # 卷积 -> 激活 -> 池化
        x = self.conv1(x)  第四节 卷积神经网络 有详细介绍。
        x = F.relu(x)
        print(x.size())  # 结果：[1, 6, 30, 30]
        x = F.max_pool2d(x, (2, 2))  # 我们使用池化层，计算结果是15
        x = F.relu(x)
        print(x.size())  # 结果：[1, 6, 15, 15]
        # reshape，‘-1’表示自适应
        # 这里做的就是压扁的操作 就是把后面的[1, 6, 15, 15]压扁，变为 [1, 1350]
        # view()可以改变维度大小
        x = x.view(x.size()[0], -1)
        print(x.size())  # 这里就是fc1层的的输入1350
        x = self.fc1(x)
        return x


net = Net()
print(net)

for parameters in net.parameters():
    print(parameters)


# 这里的对应前面forward的输入是32
input = torch.randn(1, 1, 32, 32)
out = net(input)
out.size()