torch 神经网络模型构建

点赞收藏关注！
如需转载，请注明出处！

torch 的模型搭建，做一下简要的介绍

神经网络由对数据进行操作的层/模块(layers/modules)组成。
torch.nn提供构建网络的所有blocks,在PyTorch中的每个modules都继承了nn.Module,可以构建各种复杂的网络结构。通过nn.Module定义神经网络，使用init初始化,对数据的所有操作都在forward()中实现

class NeuralNetwork(nn.Module):
def __init__(self):
	super(NeuralNetwork, self).__init__()
	self.flatten = nn.Flatten()
	self.linear_relu_stack = nn.Sequential(
	nn.Linear(28*28, 512),
	nn.ReLU(),
	nn.Linear(512, 512),
	nn.ReLU(),
	nn.Linear(512, 10),
	nn.ReLU()
	)

#前向传播
def forward(self, x)
	x = self.flatten(x)
	logits = self.linear_relu_stack(x)
	return logits


##使用示例

#检测是否有GPU可用，若有可以在GPU上训练模型
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print('Using {} device'.format(device))
model = NeuralNetwork().to(device)
print(model)
X = torch.rand(1, 28, 28, device=device)
logits = model(X)
pred_probab = nn.Softmax(dim=1)(logits)
y_pred = pred_probab.argmax(1)
print(f"Predicted class: {y_pred}")

为了方便理解，整理了代码中一些函数的意义

• nn.Flatten()将连续的维度范围展平为张量。一般写在某个神经网络模型之后，用于对神经网络模型的输出进行处理，得到tensor类型的数据。
• nn.Sequential()是PyTorch中的一个类，它允许用户将多个计算层按照顺序组合成一个模型。在深度学习中，模型可以是由各种不同类型的层组成的，例如卷积层、池化层、全连接层等。nn.Sequential()方法可以将这些层组合在一起，形成一个整体模型。
• nn.Linear定义一个神经网络的线性层.,Linear其实就是对输入 X执行了一个线性变换的操作。
• nn.ReLU()模型的激活函数，nn.relu函数是神经网络中常用的激活函数之一,即修正线性单元(Rectified Linear Unit)。ReLU函数的数学表示为f(x) = max(0, x),即输出值等于输入值和0中的较大者。ReLU函数的特点是在输入值大于0时,输出为输入值本身;而在输入值小于等于0时,输出为0。这意味着ReLU会将负值归零,而对正值不做修改

如有帮助点赞收藏关注！
如需转载，请注明出处！