PyTorch - 21 - CNN Forward方法 - PyTorch深度学习实现

Neural Network Programming Series (Recap)

到目前为止，在本系列文章中，我们已经准备好了数据，现在正在构建模型。

我们通过扩展nn.Module PyTorch基类来创建网络，然后在类构造函数中将网络层定义为类属性。 现在，我们需要实现网络的forward（）方法，然后，最后，我们将准备训练我们的模型。

1. 准备数据
2. 建立模型
   a. 创建一个扩展nn.Module基类的神经网络类。
   b. 在类构造函数中，将网络的图层定义为类属性。
   c. 使用网络的图层属性以及nn.functional API操作来定义网络的前向传递。
3. 训练模型
4. 分析模型的结果

Reviewing The Network

目前，我们知道forward（）方法接受张量作为输入，然后返回张量作为输出。现在，返回的张量与传递的张量相同。

但是，在构建实现​​之后，返回的张量将是网络的输出。

这意味着正向方法实现将使用我们在构造函数内部定义的所有层。这样，前向方法显式定义了网络的转换。

forward（）方法是实际的网络转换。正向方法是将输入张量映射到预测输出张量的映射。让我们看看这是如何完成的。

回想一下，在网络的构造函数中，我们可以看到定义了五层。

class Network(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels=1, out_channels=6, kernel_size=5)
        self.conv2 = nn.Conv2d(in_channels=6, out_channels=12, kernel_size=5)

        self.fc1 = nn.Linear(in_features=12 * 4 * 4, out_features=120)
        self.fc2 = nn.Linear(in_features=120, out_features=60)
        self.out = nn.Linear(in_features