神经网络入门实战：（九）分类问题 → 神经网络模型搭建模版和训练四步曲

(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

在这里插入图片描述

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 nn

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

	def forward(self, input):
		output = input + 4
		return output

first_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.)