深度学习（六）——神经网络的基本骨架：nn.Module的使用

一、torch.nn简介

官网地址：

torch.nn — PyTorch 2.0 documentation

1. torch.nn中的函数简介

• Containers：神经网络的骨架

• Convolution Layers：卷积层

• Pooling layers：池化层

• Padding Layers：Padding

• Non-linear Activations：非线性激活

• Normalization Layers：正则化层

还有其他函数，详情可以看官方文档。以上这些函数构成了神经网络的基本操作。

2. torch.nn中Containers函数的介绍

Containers一共有六个模块：

• Module：对于所有神经网络提供一个基本的骨架，一般定义一个神经网络用如下代码。其中，Model代表模型的名称，nn.Module就是继承了这个类的模板。然后我们先用__init__初始化，其中super(Model,self).__init__()指的是对父类进行初始化，后面的部分是根据自己构建的神经网络个性化定制的。之后我们使用forword函数对输入数据进行计算，也可以这么理解：对于一个神经网络，首先输入数据-->使用forword函数计算数据-->输出数据，这个过程也叫前向传播。

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

class Model(nn.Module):
    def __init__(self):
        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))

• Sequential

• ModuleList

• ModuleDict

• ParameterList

• ParameterDict

二、实操nn.Module

1. 构建一个简单的神经网络

• 一些小技巧：在写__init__的super函数时，pycharm点击下面这个按钮就可以自动补全：
  
  

• 下面构建一个很简单的神经网络，具体作用就是把输入数据+1然后返回，之后调用这个神经网络：

from torch import nn
import torch

#构建一个叫Demo的神经网络
class Demo(nn.Module):
    def __init__(self):
        super().__init__()

    def forward(self,input):
        output=input+1  #对输入神经网络的数据+1，然后返回
        return output

#调用神经网络
demo=Demo()
x=torch.tensor(1.0)  #输入神经网络的数据
output=demo(x)
print(output)  #输出神经网络的数据

[Run] tensor(2.)

2. 神经网络运行过程

为了更好地说明上面代码的运行过程，把debug打到第14行的demo=Demo()代码上，并点击Step into My Code：

之后一直点击Step into My Code，就可以看到代码的运行过程如下：

• 在调用demo=Demo()后，首先使用super().__init__()对\(nn.Module\)进行初始化

• 然后设定输入值x，并使用demo(x)将该值传入到forword函数中

• forword函数将该值进行加一，并返回output

• 最后将返回的output输出