神经网络模块（PyTorch）

发表于 分类于 阅读次数： 本文字数： 501 阅读时长 ≈ 2 分钟

神经网络模块

神经网络模块，深度学习框架的核心力量。在深度学习领域，神经网络模块（Neural Network Module）扮演着至关重要的角色。它为构建和组织复杂的神经网络结构提供了抽象化的接口。以PyTorch为例，nn.Module作为基础类，允许用户通过继承来自定义自己的神经网络模型。

层的封装，将单个或多个神经网络层（如线性层、卷积层、激活函数等）组合在一起，形成具有层次结构的模块。参数管理：自动管理模型内部的所有可学习参数，包括权重和偏置等。这些参数在训练过程中被优化算法更新。前向传播：通过重写forward()方法来实现模型从输入到输出的计算逻辑。子模块嵌套：允许一个模块内部包含其他的nn.Module实例，构建深层次，多分支的复杂网络结构。状态保存与恢复：整个模块的状态（包括所有子模块的参数）可以方便的保存到磁盘并在需要时加载回来。损失函数集成：PyTorch中的nn库还包含了各种常用的损失函数，它们同样是nn.Module的实例，可以轻松应用在训练过程中。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset

# 定义一个简单的两层全连接神经网络模块
class TwoLayoutNet(nn.Module):
    def __init__(self,input_size, hidden_size, num_classes):
        super(TwoLayoutNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        
        self.fc2 = nn.Linear(hidden_size, num_classes)
        
    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out
    
# 创建一个随机的小数据集, 假设我们有100个样本，每个样本5个特征
X = torch.randn(100, 5)
# 假设这是二分类问题，标签为0或1
y = torch.randint(0, 2, (100,))

#将数据转换为TensorDataSet并创建DataLoader
dataset = TensorDataset(X, y)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 初始化模型
model= TwoLayoutNet(36, 24, 100)