PyTorch学习笔记（5）--神经网络基本骨架nn.Module的使用

PyTorch学习笔记（5）–神经网络基本骨架nn.Module的使用

    本博文是PyTorch的学习笔记，第5次内容记录，主要介绍神经网络基本骨架nn.Module的基本使用。

1.nn.Module是什么

    torcn.nn是专门为神经网络设计的模块化接口. nn构建于autograd之上，可以用来定义和运行神经网络。
    nn.Module是nn中十分重要的类，包含网络各层的定义及forward方法，在用户自定义神经网络时，需要继承自nn.Module类。
    在PyTorch官网中有关于torch.nn的详细情况介绍：torch.nn模块介绍。
    具体情况如下图所示：

2.nn.Module的使用

2.1nn.Module的基本结构

    在官网中，详细介绍了nn.Module的基本结构，现以containers为例，详细代码入下：

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

class Model(nn.Module):  # Model类继承自nn.Module
    def __init__(self):   # 构造函数
        super(Model, self).__init__()  # 在构造函数中要调用Module的构造函数
        self.conv1 = nn.Conv2d(1, 20, 5)  # 卷积操作
        self.conv2 = nn.Conv2d(20, 20, 5) # 卷积操作

    def forward(self, x): # 前向传播函数
        x = F.relu(self.conv1(x))  # 先卷积操作conv1，后非线性操作relu
        return F.relu(self.conv2(x))

    关于forward函数的细节如下所示：

2.2搭建自己的神经网络

    现在尝试搭建自己的神经网络，创建一个名字为Test的类，代码如下：

# coding ：UTF-8
# 文件功能： 代码实现nn.module模块基本使用的功能
# 开发人员： dpp
# 开发时间： 2021/8/15 11:18 下午
# 文件名称： nn_module.py
# 开发工具： PyCharm
import torch
from torch import nn


class Test(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self, input):
        output = input + 1
        return output

test = Test()
x = torch.tensor(1.0)
output = test(x)
print(output)

    在上述神经网络中创建了类Test，并实现将输入+1的操作，输出结果。代码运行效果如下所示：

    在语句test = Test()处设置断点，观察代码运行过程中各个变量的变化情况，如下所示：

3.学习小结

    在本文中总结了神经网络基本骨架nn.Module的基本使用方法，并通过构建一个类Test介绍nn.Module的具体使用方法，在下一篇博文，将开始介绍神经网络的具体层。
    关于nn.Module的更多细节可以参照博文：Pytorch nn.Module模块详解。