（6）pytorch之模型创建（一）

模型创建步骤

1.构建子模块（在__init__()函数中）
2.实现正向计算（在forward()函数中）

torch.nn包含四个包/类
1：nn.Parameter : 张量子类，表示可学习参数，如weight bias
2：nn.Module : 所有网络层基类，管理网络属性
3：nn.functional：函数具体实现，卷积池化，激活函数
4：nn.init：参数初始化方法
今天主要学习nn.Module（八个属性）
1.parameters:存储管理nn.Parameter类（weight，bias，注意只存自身的这些参数，而包含的子moudle中的他们的参数存在他们的parameters中）
2.modules：存储管理nn.Moudle(比如知道linear模型里面都有哪些子层，比如你建了一个网络，里面有2个卷积两个全连接，则你的网络的Moudle属性则会记录这些)
以下不常用
3.buffer：存储管理缓冲属性（）
4.*_hooks:存储管理钩子函数

总结：
1.一个module可以包含多个子module
2.一个module相当于一个运算，必须实现forward（）函数
3.每个module都有8个字典管理它的属性

Eg：class Net(nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        #搭建网络结构先卷积，再进行线性变化
        #卷积层，分别设置输入维度，输出维度，以及卷积核大小（更多参数可自己查下）
        self.conv1=nn.Conv2d(1,6,5)
        self.conv2=nn.Conv2d(6,16,5)
        #线性层，参数为数据的维度
        self.fc1=nn.Linear(16*5*5,120)
        self.fc2=nn.Linear(120,84)
        self.fc3=nn.Linear(84,10)
    
    def forward(self,x):#真实操作过程
        #按照顺序，先进行conv1，然后relu，然后max_pool2d
        x=F.max_pool2d(F.relu(self.conv1(x)),(2,2))
        x=F.max_pool2d(F.relu(self.conv2(x)),2)
        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):#自定义功能函数,  all dimensions *batch dimension
        size=x.size()[1:]
        num_features=1
        for s in size:
            num_features*=5
        return num_features
        ```
net=Net()
print(net)