评价此页
★ ★ ★ ★ ★
recipes/recipes/defining_a_neural_network

注意

转到页面底部 下载完整示例代码。

在 PyTorch 中定义神经网络#

创建日期：2020年4月17日 | 最后更新：2024年2月6日 | 最后验证：2024年11月5日

深度学习使用人工神经网络（模型），即由许多相互连接的单元层组成的计算系统。通过将数据传导至这些互连单元，神经网络能够学习如何近似处理将输入转换为输出所需的计算。在 PyTorch 中，可以使用 torch.nn 包来构建神经网络。

简介#

PyTorch 提供了设计优雅的模块和类（包括 torch.nn），以帮助你创建和训练神经网络。nn.Module 包含各层，以及一个返回 output 的 forward(input) 方法。

在本篇配方（recipe）中，我们将使用 torch.nn 来定义一个专用于 MNIST 数据集 的神经网络。

设置#

在开始之前，如果尚未安装 torch，我们需要安装它。

pip install torch

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. 指定数据如何通过你的模型

  4. [可选] 将数据传导至模型进行测试

1. 导入加载数据所需的库#

对于本篇配方，我们将使用 torch 及其子模块 torch.nn 和 torch.nn.functional。

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

2. 定义并初始化神经网络#

我们的网络将用于识别图像。我们将使用 PyTorch 内置的一种称为卷积（convolution）的过程。卷积将图像的每个元素与其局部邻域相加，并由一个核（kernel）或小型矩阵进行加权，这有助于我们从输入图像中提取特定特征（如边缘检测、清晰度、模糊度等）。

定义模型 Net 类有两个要求。第一个是编写一个引用 nn.Module 的 __init__ 函数。在此函数中，你将定义神经网络中的全连接层。

使用卷积，我们将定义模型以接收 1 个输入图像通道，并输出匹配我们目标的 10 个标签（代表数字 0 到 9）。该算法由你自主创建，我们将遵循标准的 MNIST 算法。

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

      # First 2D convolutional layer, taking in 1 input channel (image),
      # outputting 32 convolutional features, with a square kernel size of 3
      self.conv1 = nn.Conv2d(1, 32, 3, 1)
      # Second 2D convolutional layer, taking in the 32 input layers,
      # outputting 64 convolutional features, with a square kernel size of 3
      self.conv2 = nn.Conv2d(32, 64, 3, 1)

      # Designed to ensure that adjacent pixels are either all 0s or all active
      # with an input probability
      self.dropout1 = nn.Dropout2d(0.25)
      self.dropout2 = nn.Dropout2d(0.5)

      # First fully connected layer
      self.fc1 = nn.Linear(9216, 128)
      # Second fully connected layer that outputs our 10 labels
      self.fc2 = nn.Linear(128, 10)

my_nn = Net()
print(my_nn)

我们已经完成了神经网络的定义，现在必须定义数据将如何通过它。

3. 指定数据如何通过你的模型#

当你使用 PyTorch 构建模型时，只需定义 forward 函数，它会将数据传入计算图（即我们的神经网络）。这将体现我们的前馈（feed-forward）算法。

你可以在 forward 函数中使用任何张量（Tensor）操作。

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)

    # x represents our data
    def forward(self, x):
      # Pass data through conv1
      x = self.conv1(x)
      # Use the rectified-linear activation function over x
      x = F.relu(x)

      x = self.conv2(x)
      x = F.relu(x)

      # Run max pooling over x
      x = F.max_pool2d(x, 2)
      # Pass data through dropout1
      x = self.dropout1(x)
      # Flatten x with start_dim=1
      x = torch.flatten(x, 1)
      # Pass data through ``fc1``
      x = self.fc1(x)
      x = F.relu(x)
      x = self.dropout2(x)
      x = self.fc2(x)

      # Apply softmax to x
      output = F.log_softmax(x, dim=1)
      return output

4. [可选] 将数据传导至模型进行测试#

为确保获得预期的输出，让我们通过传入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)

所得张量中的每个数字都等同于随机张量所关联标签的预测结果。

恭喜！你已成功在 PyTorch 中定义了一个神经网络。

了解更多#

查看这些其他秘籍以继续您的学习

在此页面上
PyTorch 库