技術標籤：pythonpython深度學習神經網路卷積神經網路torch

Pytorch是一個機遇Torch的python第三方庫，是當前最流行的機器學習庫之一。本文講講述如何搭建一個簡易的神經網路。

1. 將自定義神經網路封裝在一個類（Net類）中，此類需要繼承nn.Module。
2. Net類需要重寫父類的兩個函式，分別是建構函式和前向傳播。
3. 建構函式：在這裡定義前向傳播函式中需要用到的層，如卷積層，全連線層。這裡定義的層通常是比較複雜，需要引數的。
4. 前向傳播：定義了神經網路從輸入，到隱層再到輸出的運算過程。這裡包含簡單的前向傳播函式，如有啟用函式（如Sigmoid，Relu等），也包含建構函式中定義的層。

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import torch.utils.data as Data

class Net(nn.Module):
    #建構函式
    def __init__(self):
        super(Net, self).__init__()
        #卷積層三個引數：in_channel, out_channels, 5*5 kernal
 

        self.con1 = nn.Conv2d(3, 116, 5)
        self.con2 = nn.Conv2d(116, 100, 5)
        #全連線層兩個引數：in_channels, out_channels
        self.fc1 = nn.Linear(100 * 5 * 5, 500)
        self.fc2 = nn.Linear(500, 84)
        self.fc3 = nn.Linear(84, 10)

    #前向傳播
    def forward(self, input):
        #卷積 --> 啟用函式（Relu) --> 池化
 

        x = self.con1(input)
        x = F.relu(x)
        x = F.max_pool2d(x, (2, 2))

        #重複上述過程
        x = self.con2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, (2, 2))

        #展平
        x = x.view(-1, self.num_flat_features(x))

        #全連線層
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)

        return x


    #展平
    def num_flat_features(self, x):
        size = x.size()[1:]
        num_features = 1
        for i in size:
            num_features = num_features * i
        return num_features

實驗

這部分隨機初始化一個向量，並計算其輸出。實際上，神經網路就是一個複雜的函式族，其函式形式是確定的，具體的函式表示式取決於神經網路中的引數（權重和偏差）
這裡定義的神經網路接受n*3*32*32的輸入，輸出是1*10的張量。

net = Net()
input = torch.randn((1, 3, 32, 32))
out = net(input)
print(out.size())