pytorch深度学习（二）模型小结

总结一下最近一段时间，用 pytorch 实现深度神经网络模型。如果要求我们自己写深度模型，我们该怎么构建模型框架。

我总结的深度回归模型是从5个方面创建，方法不是唯一的——构建的思路我也会不断的更新和修改，以及后续添加新的模型

（一）pytorch 神经网络线性回归模型框架

• 1.准备数据集 - 可以加入数据增强方法
• 2.搭建自己的模型
  （2.1）对于简单的线性模型我们可以直接用model=nn.Linear(input,output),训练模型时直接调用模型就可以了。
  （2.2）对于神经网络而言：输入层，隐藏层，输出层；其中包括卷积、池化和全连接。
  构建自己的模型，我们需要定义一个类，步骤是：
  2.1定义类–定义__self_方法：初始 化卷积、池化和全连接
  2.2定义前向传播：把2.1方法中的卷积、池化、全连接等拼接在一起，要注意前向传播网络的顺序
  2.3最后切记：返回2.2前向传播的输出值
  2.4调用类：把类集成在 model 函数里，方便后面直接调用model 集成模型
• 3.构造损失函数和优化器
• 4.训练模型（可放在定义好的for循环中，迭代次数，批处理量都已经初始化）
  前向传播（4.1）前向传播调用 2 模型 （4.2）前向传播计算损失
  反向传播（4.3）优化器进行梯度清零（4.4）损失函数反向传播，计算梯度（4.5）优化器迭代更新
  输出优化后的损失值（4.6）if 条件判断语句输出损失值
• 5.模型可视化-（线性回归模型可视化）
• ————线性回归模型就结束了————接着是逻辑回归模型，组成一个大的整体（承上启下）
• 6.测试模型（上面的数据可以认为是训练数据，测试模型用到的是测试数据）
  测试模型可以将训练模型包装起来，然后再次调用模型，导入测试数据时不会进行反向传播