11 神经网络基础之如何定义模型

查看大图

用 nn.Module 定义模型时，__init__ 放层，forward 放数据流。两者分清，模型才容易调试。

官方教程：PyTorch Build the Neural Network

查看大图

模型写完后，我会先用一批假输入跑一次 forward，确认输出 shape 对得上，再进入训练循环。

在学习神经网络时，除了了解其基本结构外，如何定义和构建一个神经网络模型是接下来的重要步骤。在本篇中，我们将通过 PyTorch 这个深受欢迎的深度学习框架，来学习如何定义一个基本的神经网络模型。

定义模型的基本步骤

在 PyTorch 中，定义一个神经网络模型主要涉及到以下几个步骤：

查看大图

用 PyTorch 定义模型时，先写清层参数、输入形状、forward 流程、输出维度和损失函数需求。

1. 导入所需的库： 首先，我们需要导入相关的 PyTorch 库。

2. 创建模型类： 在 PyTorch 中，神经网络模型通常是通过继承 torch.nn.Module 类来定义的。

3. 定义网络层： 在模型的构造函数中定义需要的网络层，例如全连接层、卷积层等。

4. 实现前向传播方法 forward： 定义如何将输入数据通过网络层进行转换。

1. 导入所需的库

在开始之前，我们需要导入 PyTorch 和相关的库：

import torch
import torch.nn as nn
import torch.optim as optim

2. 创建模型类

接下来，我们创建一个名为 SimpleNN 的模型类，继承自 nn.Module：

class SimpleNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNN, self).__init__()
        # 定义全连接层
        self.fc1 = nn.Linear(input_size, hidden_size)  # 隐藏层
        self.fc2 = nn.Linear(hidden_size, output_size)  # 输出层

    def forward(self, x):
        # 前向传播
        x = torch.relu(self.fc1(x))  # 使用 ReLU 激活函数
        x = self.fc2(x)
        return x

在这段代码中，__init__ 方法用于定义网络的层，而 forward 方法定义了如何通过这些层进行前向传播。

3. 定义网络层

在 __init__ 方法中，我们定义了两个全连接层：

• self.fc1：输入层到隐藏层。
• self.fc2：隐藏层到输出层。

隐藏层的神经元数量由 hidden_size 参数决定。

4. 实现前向传播

在 forward 方法中，我们首先将输入数据 x 传递给第一层 fc1，得到隐藏层的输出，然后使用 ReLU 激活函数进行非线性映射。最后，将隐藏层的输出传递给第二层 fc2，得到最终的输出。

模型实例化与使用

一旦模型类已经定义好，我们就可以实例化该模型并进行训练或测试了。

查看大图

《神经网络基础之如何定义模型》可以按“场景、概念、动作、结果”来读。先把这四件事对齐，再回到正文里的参数、代码或流程。

示例代码

以下是如何实例化该模型并创建一个随机输入数据的示例：

# 定义输入、隐藏和输出层的神经元数量
input_size = 10
hidden_size = 5
output_size = 2

# 实例化模型
model = SimpleNN(input_size, hidden_size, output_size)

# 创建一个随机输入数据（例如，批大小为 1）
input_data = torch.randn(1, input_size)

# 进行前向传播
output_data = model(input_data)

print("Output:", output_data)

在这个示例中，我们定义了一个输入为10个神经元、隐藏层为5个神经元和输出层为2个神经元的模型。通过用 torch.randn 创建的随机输入数据，可以看到模型的输出。

查看大图

如果《神经网络基础之如何定义模型》还没完全消化，可以从这张卡片的四个动作重新走一遍。

查看大图

回看《神经网络基础之如何定义模型》时，不必一次做大项目，先用一条简单样例确认主线是否清楚。

总结

在本篇中，我们学习了如何在 PyTorch 中定义一个简单的神经网络模型。我们通过定义模型类、初始化网络层和实现前向传播等步骤，为后续的模型训练和推理奠定了基础。随着接下来的学习，我们将深入探讨激活函数的使用及其对模型表现的影响。

在下一篇中，我们将重点讨论 激活函数 的使用以及它们在神经网络中的重要性，敬请期待！