# 构建神经网络模型 > 译者：[runzhi214](https://github.com/runzhi214) > > 项目地址： > > 原始地址： 神经网络由在数据上完成操作的层/模块构成。[`torch.nn`](https://pytorch.org/docs/stable/nn.html)命名空间提供了所有你用来构建你自己的神经网络所需的的东西。PyTorch中每个模块都是[`nn.Module`](https://pytorch.org/docs/stable/generated/torch.nn.Module.html)的子类。一个由其他模块(层)组成的神经网络自身也是一个模块。这种嵌套的结构让构建和管理复杂的结构更轻松。 在下面的章节中，我们将构建一个神经网络来给FashionMNIST数据集的图片分类。 ```py import os import torch from torch import nn from torch.utils.data import DataLoader from torchvision import datasets, transforms ``` ## 获取训练的设备 我们希望能够在一个硬件加速设备比如GPU或者MPS上（如果有的话）训练我们的模型。让我们检查`torch.cuda`和`torch.backend.mps`是否可用，否则我们使用CPU。 ```py device = ( "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu" ) print(f"Using {device} device") ``` Out: ```py Using cuda device ``` ## 定义类 我们通过子类化`nn.Module`来定义我们的神经网络，并在`__init__`中初始化神经网络。每个`nn.Module`子类都会在`forward`方法中实现对输入数据的操作。 ```py class NeuralNetwork(nn.Module): def __init__(self): super().__init__() self.flatten = nn.Flatten() self.linear_relu_stack = nn.Sequential( nn.Linear(28*28, 512), nn.ReLU(), nn.Linear(512, 512), nn.ReLU(), nn.Linear(512, 10), ) def forward(self, x): x = self.flatten(x) logits = self.linear_relu_stack(x) return logits ``` 我们创建一个`NeuralNetwork`实例，并将它发送到`device`，然后打印它的结构. ```py model = NeuralNetwork().to(device) print(model) ``` Out: ```py NeuralNetwork( (flatten): Flatten(start_dim=1, end_dim=-1) (linear_relu_stack): Sequential( (0): Linear(in_features=784, out_features=512, bias=True) (1): ReLU() (2): Linear(in_features=512, out_features=512, bias=True) (3): ReLU() (4): Linear(in_features=512, out_features=10, bias=True) ) ) ``` 为了使用这个模型，我们给它传递输入数据。这将会执行模型的`forward`，伴随着一些[幕后工作](https://github.com/pytorch/pytorch/blob/270111b7b611d174967ed204776985cefca9c144/torch/nn/modules/module.py#L866)。不要直接调用 `model.forward()` ! 模型在数据输入上的调用返回一个2维张量（第0维对应一次输出一组10个代表每种类型的原始预测值，第1维对应该类型对应的原始预测值）。我们将它传递给一个`nn.Softmax`模块的实例来来获得预测概率。 ```py X = torch.rand(1, 28, 28, device=device) logits = model(X) pred_probab = nn.Softmax(dim=1)(logits) y_pred = pred_probab.argmax(1) print(f"Predicted class: {y_pred}") ``` Out: ```py Predicted class: tensor([7], device='cuda:0') ``` ## 模型层 让我们拆解这个FashionMNIST模型层。为了说明，我们会取一个由3章28x28的图片数据组成的样例微批数据，并看看当我们将它传递给模型后会发生什么。 ```py input_image = torch.rand(3,28,28) print(input_image.size()) ``` Out: ```py torch.Size([3, 28, 28]) ``` ### nn.Flatten 我们初始化[`nn.Flatten`(展平层)](https://pytorch.org/docs/stable/generated/torch.nn.Flatten.html)层来将每个2维的28x28图像转换成一个包含784像素值的连续数组（微批数据的维度(第0维)保留了）. ```py flatten = nn.Flatten() flat_image = flatten(input_image) print(flat_image.size()) ``` Out: ```py torch.Size([3, 784]) ``` ### nn.Linear nn.Linear（线性层）是一个对输入值使用自己存储的权重(w)和偏差(b)来做线性转换的模块。 ```py layer1 = nn.Linear(in_features=28*28, out_features=20) hidden1 = layer1(flat_image) print(hidden1.size()) ``` Out: ```py torch.Size([3, 20]) ``` ### nn.ReLU 非线性的激活函数创造了模型的输入值和输出值之间的复杂映射。它们在线性转换之后应用来引入*非线性*,帮助神经网络学习更广阔范围的现象。 在这个模型中，我们在我们的线性层之间使用[`nn.ReLU`](https://pytorch.org/docs/stable/generated/torch.nn.ReLU.html)，但是还有其他的激活函数可以用来在你的模型中引入非线性。 (译者注：ReLU即Rectified Linear Unit，译为线性整流函数或者修正线性单元) ```py print(f"Before ReLU: {hidden1}\n\n") hidden1 = nn.ReLU()(hidden1) print(f"After ReLU: {hidden1}") ``` Out: ```py Before ReLU: tensor([[ 0.4158, -0.0130, -0.1144, 0.3960, 0.1476, -0.0690, -0.0269, 0.2690, 0.1353, 0.1975, 0.4484, 0.0753, 0.4455, 0.5321, -0.1692, 0.4504, 0.2476, -0.1787, -0.2754, 0.2462], [ 0.2326, 0.0623, -0.2984, 0.2878, 0.2767, -0.5434, -0.5051, 0.4339, 0.0302, 0.1634, 0.5649, -0.0055, 0.2025, 0.4473, -0.2333, 0.6611, 0.1883, -0.1250, 0.0820, 0.2778], [ 0.3325, 0.2654, 0.1091, 0.0651, 0.3425, -0.3880, -0.0152, 0.2298, 0.3872, 0.0342, 0.8503, 0.0937, 0.1796, 0.5007, -0.1897, 0.4030, 0.1189, -0.3237, 0.2048, 0.4343]], grad_fn=) After ReLU: tensor([[0.4158, 0.0000, 0.0000, 0.3960, 0.1476, 0.0000, 0.0000, 0.2690, 0.1353, 0.1975, 0.4484, 0.0753, 0.4455, 0.5321, 0.0000, 0.4504, 0.2476, 0.0000, 0.0000, 0.2462], [0.2326, 0.0623, 0.0000, 0.2878, 0.2767, 0.0000, 0.0000, 0.4339, 0.0302, 0.1634, 0.5649, 0.0000, 0.2025, 0.4473, 0.0000, 0.6611, 0.1883, 0.0000, 0.0820, 0.2778], ``` ### nn.Sequential [`nn.Sequential`](https://pytorch.org/docs/stable/generated/torch.nn.Sequential.html) 是一个模块的有序容器。数据会沿着模块定义的顺序流动。你可以使用sequential container(译者注：有序容器,也有的书称之为线性容器)来组成一个快速网络，比如`seq_modules`。 ```py seq_modules = nn.Sequential( flatten, layer1, nn.ReLU(), nn.Linear(20, 10) ) input_image = torch.rand(3,28,28) logits = seq_modules(input_image) ``` ### nn.Softmax 模型的最后一层返回*logits*(介于[负无穷,正无穷]之间的原始值)，然后被传递给[`nn.Softmax`](https://pytorch.org/docs/stable/generated/torch.nn.Softmax.html)模块。这些logits值被缩放到[0,1]，代表模型对与每种类型的预测概率. `dim` 参数代表沿着该维度数值应该加总为1. ```py softmax = nn.Softmax(dim=1) pred_probab = softmax(logits) ``` ## 模型参数 神经网络内的许多层都是参数化的，比如有可以在训练中优化的关联的权重值和偏差值。子类化`nn.Module`会自动追踪所有你定义在模型对象中的字段，并通过你模型的`parameters()`或者`named_parameters()`让所有参数可访问。 在这个例子中，我们在每个参数上遍历，然后打印出它的大小(size)并预览数值。 ```py print(f"Model structure: {model}\n\n") for name, param in model.named_parameters(): print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n" ``` Out: ```py Model structure: NeuralNetwork( (flatten): Flatten(start_dim=1, end_dim=-1) (linear_relu_stack): Sequential( (0): Linear(in_features=784, out_features=512, bias=True) (1): ReLU() (2): Linear(in_features=512, out_features=512, bias=True) (3): ReLU() (4): Linear(in_features=512, out_features=10, bias=True) ) ) Layer: linear_relu_stack.0.weight | Size: torch.Size([512, 784]) | Values : tensor([[ 0.0273, 0.0296, -0.0084, ..., -0.0142, 0.0093, 0.0135], [-0.0188, -0.0354, 0.0187, ..., -0.0106, -0.0001, 0.0115]], device='cuda:0', grad_fn=) Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([-0.0155, -0.0327], device='cuda:0', grad_fn=) Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[ 0.0116, 0.0293, -0.0280, ..., 0.0334, -0.0078, 0.0298], [ 0.0095, 0.0038, 0.0009, ..., -0.0365, -0.0011, -0.0221]], device='cuda:0', grad_fn=) Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([ 0.0148, -0.0256], device='cuda:0', grad_fn=) Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-0.0147, -0.0229, 0.0180, ..., -0.0013, 0.0177, 0.0070], [-0.0202, -0.0417, -0.0279, ..., -0.0441, 0.0185, -0.0268]], device='cuda:0', grad_fn=) Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([ 0.0070, -0.0411], device='cuda:0', grad_fn=) ``` ## 进一步阅读 - [`torch.nn API`](https://pytorch.org/docs/stable/nn.html) **脚本总运行时间**: (0分0.030秒)