頭文件

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")

自定義網(wǎng)絡(luò)

定義一個(gè)網(wǎng)絡(luò)類(lèi)，繼承原有nn.Module,內(nèi)部必須包含的2個(gè)函數(shù)
1.init():定義網(wǎng)絡(luò)的基本結(jié)構(gòu)，需要

1. 輸入層，即Flatten()
   2.Sequential（）層，用于定義串聯(lián)網(wǎng)絡(luò)層
   2.forward(): 用于網(wǎng)絡(luò)前向計(jì)算,且與反向傳播無(wú)關(guān)

class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__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

網(wǎng)絡(luò)存入GPU

model = NeuralNetwork().to(device)
print(model)

網(wǎng)絡(luò)前向計(jì)算

使用網(wǎng)絡(luò)（model）輸入28*28像素的圖片，獲得對(duì)應(yīng)的預(yù)測(cè)概率，將概率輸入softmax，獲取最終預(yù)測(cè)結(jié)果。
這里使用了nn.Softmax()實(shí)例，計(jì)算

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}")

典型網(wǎng)絡(luò)層

nn.Flatten()

扁平化輸入，將2D圖像28*28直接串接為784維向量

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())

nn.Linear()

使用給定的權(quán)重和bias進(jìn)行全鏈層的線(xiàn)性計(jì)算，及y=Ax 的純線(xiàn)性映射

layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())

nn.ReLU()

非線(xiàn)性化計(jì)算，用于對(duì)線(xiàn)性計(jì)算結(jié)果的抗飽和調(diào)整；
常見(jiàn)非線(xiàn)性話(huà)層有 sigmod， atanh， relu，等抗飽和方法

如果沒(méi)有非線(xiàn)性化，理論上多個(gè)線(xiàn)性層疊加等價(jià)于一層，即y=Ax, y=BCDx, 此處 A=BCD，是完全等價(jià)

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

nn.Sequential()

組織各網(wǎng)絡(luò)計(jì)算層，將其相互串聯(lián)，依次計(jì)算（ordered container）；

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()

最終輸出層，使用邏輯函數(shù)將[-inf, inf]映射到 [0, 1]并選出最大值，作為最終預(yù)測(cè)
入?yún)?dim: 和為1的方向

dim parameter indicates the dimension along which the values must sum to 1.

softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)

保存模型

模型參數(shù)可以在 model.named_parameters()中讀取

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")