torch教程——搭建第一个神经网络

Pytorch是一个机遇Torch的python第三方库，是当前最流行的机器学习库之一。本文讲讲述如何搭建一个简易的神经网络。

1. 将自定义神经网络封装在一个类（Net类）中，此类需要继承nn.Module。
2. Net类需要重写父类的两个函数，分别是构造函数和前向传播。
3. 构造函数：在这里定义前向传播函数中需要用到的层，如卷积层，全连接层。这里定义的层通常是比较复杂，需要参数的。
4. 前向传播：定义了神经网络从输入，到隐层再到输出的运算过程。这里包含简单的前向传播函数，如有激活函数（如Sigmoid，Relu等），也包含构造函数中定义的层。

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import torch.utils.data as Data

class Net(nn.Module):
    #构造函数
    def __init__(self):
        super(Net, self).__init__()
        #卷积层三个参数：in_channel, out_channels, 5*5 kernal
        self.con1 = nn.Conv2d(3, 116, 5)
        self.con2 = nn.Conv2d(116, 100, 5)
        #全连接层两个参数：in_channels, out_channels
        self.fc1 = nn.Linear(100 * 5 * 5, 500)
        self.fc2 = nn.Linear(500, 84)
        self.fc3 = nn.Linear(84, 10)

    #前向传播
    def forward(self, input):
        #卷积 --> 激活函数（Relu) --> 池化
        x = self.con1(input)
        x = F.relu(x)
        x = F.max_pool2d(x, (2, 2))

        #重复上述过程
        x = self.con2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, (2, 2))

        #展平
        x = x.view(-1, self.num_flat_features(x))

        #全连接层
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)

        return x


    #展平
    def num_flat_features(self, x):
        size = x.size()[1:]
        num_features = 1
        for i in size:
            num_features = num_features * i
        return num_features

实验

这部分随机初始化一个向量，并计算其输出。实际上，神经网络就是一个复杂的函数族，其函数形式是确定的，具体的函数表达式取决于神经网络中的参数（权重和偏差）
这里定义的神经网络接受n*3*32*32的输入，输出是1*10的张量。

net = Net()
input = torch.randn((1, 3, 32, 32))
out = net(input)
print(out.size())