注意
點選此處下載完整的示例程式碼
學習基礎知識 || 快速入門 || 張量 || 資料集和資料載入器 || 轉換 || 構建模型 || 自動微分 || 最佳化 || 儲存和載入模型
構建神經網路¶
建立日期：2021 年 2 月 9 日 | 最後更新：2025 年 1 月 24 日 | 最後驗證：未驗證
神經網路由對資料執行操作的層/模組組成。torch.nn 名稱空間提供了構建自己的神經網路所需的所有構建塊。PyTorch 中的每個模組都繼承自 nn.Module。神經網路本身就是一個由其他模組（層）組成的模組。這種巢狀結構使得構建和管理複雜的架構變得容易。
在接下來的部分，我們將構建一個神經網路來分類 FashionMNIST 資料集中的影像。
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
獲取用於訓練的裝置¶
我們希望能夠在 加速器 上訓練我們的模型，例如 CUDA、MPS、MTIA 或 XPU。如果當前加速器可用，我們將使用它。否則，我們使用 CPU。
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"
print(f"Using {device} device")
Using cuda device
定義類¶
我們透過繼承 nn.Module 來定義我們的神經網路，並在 __init__ 中初始化神經網路層。每個 nn.Module 子類都在 forward 方法中實現對輸入資料的操作。
class NeuralNetwork(nn.Module):
def __init__(self):
super().__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
我們建立 NeuralNetwork 的一個例項，並將其移動到 device，然後列印其結構。
model = NeuralNetwork().to(device)
print(model)
NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
要使用模型，我們將輸入資料傳遞給它。這將執行模型的 forward 方法，以及一些後臺操作。不要直接呼叫 model.forward()！
在輸入上呼叫模型會返回一個二維張量，其中 dim=0 對應於每個類別的 10 個原始預測值，dim=1 對應於每個輸出的單個值。透過將其傳遞給 nn.Softmax 模組的一個例項，我們可以獲得預測機率。dim 引數表示值必須沿哪個維度求和為 1。
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}")
Predicted class: tensor([7], device='cuda:0')
模型層¶
讓我們分解 FashionMNIST 模型中的層。為了說明這一點，我們將取一個 3 張 28x28 尺寸影像的樣本小批次，並檢視它透過網路時發生的變化。
input_image = torch.rand(3,28,28)
print(input_image.size())
torch.Size([3, 28, 28])
nn.Flatten¶
我們初始化 nn.Flatten 層，將每張 2D 28x28 影像轉換為包含 784 個畫素值的連續陣列（小批次維度（dim=0）被保留）。
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())
torch.Size([3, 784])
nn.ReLU¶
非線性啟用層在模型的輸入和輸出之間建立複雜的對映。它們線上性變換之後應用，以引入非線性，幫助神經網路學習各種現象。
在此模型中，我們線上性層之間使用 nn.ReLU，但還有其他啟用函式可以在模型中引入非線性。
Before ReLU: tensor([[ 0.4158, -0.0130, -0.1144, 0.3960, 0.1476, -0.0690, -0.0269, 0.2690,
0.1353, 0.1975, 0.4484, 0.0753, 0.4455, 0.5321, -0.1692, 0.4504,
0.2476, -0.1787, -0.2754, 0.2462],
[ 0.2326, 0.0623, -0.2984, 0.2878, 0.2767, -0.5434, -0.5051, 0.4339,
0.0302, 0.1634, 0.5649, -0.0055, 0.2025, 0.4473, -0.2333, 0.6611,
0.1883, -0.1250, 0.0820, 0.2778],
[ 0.3325, 0.2654, 0.1091, 0.0651, 0.3425, -0.3880, -0.0152, 0.2298,
0.3872, 0.0342, 0.8503, 0.0937, 0.1796, 0.5007, -0.1897, 0.4030,
0.1189, -0.3237, 0.2048, 0.4343]], grad_fn=<AddmmBackward0>)
After ReLU: tensor([[0.4158, 0.0000, 0.0000, 0.3960, 0.1476, 0.0000, 0.0000, 0.2690, 0.1353,
0.1975, 0.4484, 0.0753, 0.4455, 0.5321, 0.0000, 0.4504, 0.2476, 0.0000,
0.0000, 0.2462],
[0.2326, 0.0623, 0.0000, 0.2878, 0.2767, 0.0000, 0.0000, 0.4339, 0.0302,
0.1634, 0.5649, 0.0000, 0.2025, 0.4473, 0.0000, 0.6611, 0.1883, 0.0000,
0.0820, 0.2778],
[0.3325, 0.2654, 0.1091, 0.0651, 0.3425, 0.0000, 0.0000, 0.2298, 0.3872,
0.0342, 0.8503, 0.0937, 0.1796, 0.5007, 0.0000, 0.4030, 0.1189, 0.0000,
0.2048, 0.4343]], grad_fn=<ReluBackward0>)
nn.Sequential¶
nn.Sequential 是模組的有序容器。資料按定義的相同順序透過所有模組。可以使用順序容器快速構建網路，例如 seq_modules。
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¶
神經網路的最後一個線性層返回 logits - 位於 [-infty, infty] 的原始值 - 然後傳遞給 nn.Softmax 模組。Logits 被縮放到 [0, 1] 的值，表示模型對每個類別的預測機率。dim 引數指示值必須沿哪個維度求和為 1。
softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)
模型引數¶
神經網路內部的許多層都是*引數化*的，即擁有在訓練期間最佳化的相關權重和偏置。繼承 nn.Module 會自動跟蹤模型物件內部定義的所有欄位，並透過模型的 parameters() 或 named_parameters() 方法使所有引數可訪問。
在此示例中，我們遍歷每個引數，並列印其大小和值的預覽。
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")
Model structure: NeuralNetwork(
(flatten): Flatten(start_dim=1, end_dim=-1)
(linear_relu_stack): Sequential(
(0): Linear(in_features=784, out_features=512, bias=True)
(1): ReLU()
(2): Linear(in_features=512, out_features=512, bias=True)
(3): ReLU()
(4): Linear(in_features=512, out_features=10, bias=True)
)
)
Layer: linear_relu_stack.0.weight | Size: torch.Size([512, 784]) | Values : tensor([[ 0.0273, 0.0296, -0.0084, ..., -0.0142, 0.0093, 0.0135],
[-0.0188, -0.0354, 0.0187, ..., -0.0106, -0.0001, 0.0115]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.0.bias | Size: torch.Size([512]) | Values : tensor([-0.0155, -0.0327], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.weight | Size: torch.Size([512, 512]) | Values : tensor([[ 0.0116, 0.0293, -0.0280, ..., 0.0334, -0.0078, 0.0298],
[ 0.0095, 0.0038, 0.0009, ..., -0.0365, -0.0011, -0.0221]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.2.bias | Size: torch.Size([512]) | Values : tensor([ 0.0148, -0.0256], device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.weight | Size: torch.Size([10, 512]) | Values : tensor([[-0.0147, -0.0229, 0.0180, ..., -0.0013, 0.0177, 0.0070],
[-0.0202, -0.0417, -0.0279, ..., -0.0441, 0.0185, -0.0268]],
device='cuda:0', grad_fn=<SliceBackward0>)
Layer: linear_relu_stack.4.bias | Size: torch.Size([10]) | Values : tensor([ 0.0070, -0.0411], device='cuda:0', grad_fn=<SliceBackward0>)
