PyTorch定义神经网络

简介

深度学习使用人工神经网络（模型），它是由许多层相互连接的单元组成的计算系统。通过这些相互连接的单元传递数据，神经网络能够学习如何近似地计算将输入转换为输出所需的计算。在PyTorch中，可以使用 torch.nn 构建神经网络。

PyTorch提供了优雅设计的模块和类，包括 torch.nn，来帮助创建和训练神经网络。nn.Module 包含层，forward(input) 方法返回输出。

步骤

1. 导入加载数据所需的所有库
2. 定义并初始化神经网络
3. 指定数据如何在模型中传递
4. [可选]将数据传递给模型进行测试

导入加载数据所需的库

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

定义并初始化神经网络

该网络用于识别图像。将使用PyTorch内置的卷积过程。卷积将图像的每个元素添加到其局部邻域，由核或小矩阵加权，这有助于从输入图像中提取某些特征（如边缘检测、清晰度、模糊度等）。

定义模型的Net类有两个要求。第一个是写一个 __init__ 函数来引用 nn.Module。这个函数用于定义神经网络中所有的连接层。
使用卷积，将定义的模型以获取1个输入图像通道，输出与目标匹配，即表示数字0到9的10个标签。将遵循标准MNIST算法。

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

      self.conv1 = nn.Conv2d(1, 32, 3, 1)
      self.conv2 = nn.Conv2d(32, 64, 3, 1)

      self.dropout1 = nn.Dropout2d(0.25)
      self.dropout2 = nn.Dropout2d(0.5)

      self.fc1 = nn.Linear(9216, 128)
      self.fc2 = nn.Linear(128, 10)

my_nn = Net()
print(my_nn)

已经定义了神经网络，然后必须定义数据如何通过网络。

指定数据如何通过模型

当使用PyTorch构建模型时，需要定义 forward 函数，它将数据传递到计算图，表示前馈算法。可以在前向函数中使用任何张量运算。

class Net(nn.Module):
    def __init__(self):
      super(Net, self).__init__()
      self.conv1 = nn.Conv2d(1, 32, 3, 1)
      self.conv2 = nn.Conv2d(32, 64, 3, 1)
      self.dropout1 = nn.Dropout2d(0.25)
      self.dropout2 = nn.Dropout2d(0.5)
      self.fc1 = nn.Linear(9216, 128)
      self.fc2 = nn.Linear(128, 10)


    def forward(self, x):
      x = self.conv1(x)
      x = F.relu(x)
      x = self.conv2(x)
      x = F.relu(x)
      x = F.max_pool2d(x, 2)
      x = self.dropout1(x)
      x = torch.flatten(x, 1)  # Flatten x with start_dim=1
      x = self.fc1(x)  # Pass data through fc1
      x = F.relu(x)
      x = self.dropout2(x)
      x = self.fc2(x)
      output = F.log_softmax(x, dim=1)  # Apply softmax to x
      return output

[可选]将数据传递给模型进行测试

为了确保收到所需的输出，通过传递一些随机数据来测试模型。

# Equates to one random 28x28 image
random_data = torch.rand((1, 1, 28, 28))

my_nn = Net()
result = my_nn(random_data)
print (result)