sunpongber

神经网络的基本骨架-nn.Module的使用

网络的搭建，以不同的案例演示不同的效果

PyTorch官网

左侧可以看到Python的API，就是不同的包，提供了不同的工具
我们关于神经网络的工具主要在torch.nn里面，nn主要来自neural network的缩写

torch.nn分布不同的类别，Containers主要给神经网络定义了一些骨架、结构，往这些结构中添加一些不同的内容我们就可以组成神经网络，这一节学习神经网络的一个基本搭建

后面的都是需要往骨架中填充的东西：
Convolution Layers(卷积层)
Pooling layers(池化层)
Padding Layers(填充层)
Non-linear Activations (weighted sum, nonlinearity)(非线性激活（加权和、非线性）)
Non-linear Activations (other)(非线性激活（其他）)
Normalization Layers(标准化层)
这些都是组成卷积神经网络的核心的操作部分

Containers中有6个模块
Module--Base class for all neural network modules.(所有神经网络模块的基类) 常见的神经网络必须从这个类中继承，比如下面这个例子：

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

class Model(nn.Module):
    def __init__(self) -> None:
        super().__init__()
        self.conv1 = nn.Conv2d(1, 20, 5)
        self.conv2 = nn.Conv2d(20, 20, 5)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        return F.relu(self.conv2(x))

Module是Model的父类，定义了两个函数就是进行了一些修改

input->forward->output，前向传播，还有一个反向传播

输入x->卷积->非线性->卷积->非线性->返回作为模型的输出

forward(*input)[source]
Define the computation performed at every call.

Should be overridden by all subclasses.

forward主要定义了一些计算，在所有子类中进行重写

所以说使用这个Module的时候就使用这个模板，自己定义模型名，继承这个类，然后在init函数和forward函数中写一些必要的条件

写的时候可以自己写，也可以生成->重写方法

import torch
from torch import nn

class NN_Module(nn.Module):

    def __init__(self):
        super().__init__()

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

nn_Module = NN_Module()
x = torch.tensor(1.0)
output = nn_Module(x)
print(output)

返回tensor(2.)

debug中选择单步执行可以查看变量的变化过程

之后讲解卷积层，解释它的效果是如何

原始资料地址：
神经网络的基本骨架-nn.Module的使用
如有侵权联系删除 仅供学习交流使用