(一) 神经网络模型搭建官方文档

每一层基本都有权重和偏置，可以仔细看官方文档。

pytorch 官网的库：torch.nn — PyTorch 2.5 documentation

• Containers库：用来搭建神经网络框架（包含所有的神经网络的框架）；
• 特征提取：
  • Convolution Layers：用来搭建卷积层；
  • Pooling layers：用来搭建池化层；
  • Padding Layers：用来搭建填充层；
• 分类：
  • Linear Layers：用来搭建全连接层。

---

(二) 神经网络模型模版(Containers库中的nn.Module)

在写代码的过程中，通常会把神经网络定义成一个类（class），其模版就如下所示：

# 我们的模型类应该继承自nn.Module，这是所有神经网络模块的基类。
# 每个模型类中，都必须要定义以下两个
class LinearModel(torch.nn.Module): # 其中nn是神经网络neural network的缩写def __init__(self): # 构造函数，初始化对象时调用的函数，名字也不能变super(LinearModel,self).__init__() # 直接写super().__init__()也行self.linear = torch.nn.Linear(1,1)def forward(self, x): # 前向传播函数，就必须要叫这个名字，因为 nn.Module 类的call方法里调用了名为forward函数y_pred = self.linear(x)return y_pred
model = LinearModel()# 其中反向传播的计算，是自动进行的，所有继承自Module的类，都如此。

示例：

import torch
from torch import nnclass testNet(nn.Module):def __init__(self):super(testNet, self).__init__()def forward(self, input):output = input + 4return outputfirst_net = testNet()
x = torch.tensor(1.0)
output = first_net(x) # 因为 nn.Module 类的call方法里调用了名为forward函数，所以这里可以直接将实例当做函数使用。
print(output)
------------------------------------------------------------------------------------------------------------------
# 运行结果
tensor(5.)

---

(三) 神经网络训练套路（四部曲）

其中的损失函数、优化器，以及训练循环体后面会详细讲解

准备数据集 → 设计模型 → 创建损失函数和优化器 → 写训练循环体。

以逻辑回归为例：

---

上一篇	下一篇
神经网络入门实战（八）	神经网络入门实战（十）