6. 定义一个网络 2022-09-14

头文件

import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")

自定义网络

定义一个网络类，继承原有nn.Module,内部必须包含的2个函数
1.init():定义网络的基本结构，需要

输入层，即Flatten()
2.Sequential（）层，用于定义串联网络层
2.forward(): 用于网络前向计算,且与反向传播无关

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

网络存入GPU

model = NeuralNetwork().to(device)
print(model)

网络前向计算

使用网络（model）输入28*28像素的图片，获得对应的预测概率，将概率输入softmax，获取最终预测结果。
这里使用了nn.Softmax()实例，计算

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}")

典型网络层

nn.Flatten()

扁平化输入，将2D图像28*28直接串接为784维向量

flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())

nn.Linear()

使用给定的权重和bias进行全链层的线性计算，及y=Ax 的纯线性映射

layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())

nn.ReLU()

非线性化计算，用于对线性计算结果的抗饱和调整；
常见非线性话层有 sigmod， atanh， relu，等抗饱和方法

如果没有非线性化，理论上多个线性层叠加等价于一层，即y=Ax, y=BCDx, 此处 A=BCD，是完全等价

print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")

nn.Sequential()

组织各网络计算层，将其相互串联，依次计算（ordered container）；

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()

最终输出层，使用逻辑函数将[-inf, inf]映射到 [0, 1]并选出最大值，作为最终预测
入参 dim: 和为1的方向

dim parameter indicates the dimension along which the values must sum to 1.

softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)

保存模型

模型参数可以在 model.named_parameters()中读取

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")