前言
torch.nn是专门为神经网络设计的模块化接口。nn构建于Autograd之上，可用来定义和运行神经网络。这里我们主要介绍几个一些常用的类。
约定：torch.nn 我们为了方便使用，会为他设置别名为nn，本章除nn以外还有其他的命名约定。
import torch
import torch.nn as nn
torch.__version__
除了nn别名以外，我们还引用了nn.functional，这个包中包含了神经网络中使用的一些常用函数，这些函数的特点是，不具有可学习的参数(如ReLU，pool，DropOut等)，这些函数可以放在构造函数中，也可以不放，但是这里建议不放。
一般情况下我们会将nn.functional 设置为大写的F，这样缩写方便调用
import torch.nn.functional as F
一、常用操作
| 操作名 | 介绍 |
|---|---|
| nn.Conv2d | 在输入图像上应用2维卷积 |
| nn.MaxPool2d | 在输入图像上应用2维最大池化 |
| nn.AvgPool2d | 在输入图像上应用2维平均池化 |
| nn.ReLU | 应用非线性修正单元ReLU |
| nn.Linear | 对输入数据应用线性变换，也就是我们常说的全连接层 |
| nn.CrossEntropyLoss | 交叉熵损失函数 |
| nn.Upsample | 上采样，图像分割用的很多 |
| nn.Dropout | 应用Dropout层 |
| nn.MSELoss | 均方误差损失函数 |
| nn.BatchNorm1d | 应用BN层 |
因为方法太多，这里只是列举了一小部分，详细请自行去PyTorch官网查看。所列举的常用方法也只是以常用使用方式来进行举例（由于有些方法的参数实在是太多了，而且以我自己的能力也不一定能以书面文字的方式解释清楚）。
- nn.Conv2d(in_channels,out_channels,kernel_size)：可选参数这里省略了
-
in_channels(int)：输入图像的通道数
-
out_channels(int)：卷积生成的通道数
-
kernel_size(int or tuple)：卷积核的size，如果是方形，用int；如果非方形，用tuple。
-
案例
# With square kernels and equal stride m = nn.Conv2d(16,33,3,stride = 2) # With square kernels and unequal stride and with padding m = nn.Conv2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2)) input = torch.randn(20,16,50,100) output = m(input) -
- nn.MaxPool2d(kernel_size，stride)：这里列举了常用的几个参数，其余省略了
- kernel_size(int or tuple)：池化窗口size
- stride(int or tuple)：池化的步长
- padding(int or tuple)：池化的填充，默认为0
- 案例
# pool of square window of size=3, stride=2 m = nn.MaxPool2d(3,stride = 2) # pool of non-square window m = nn.MaxPool2d((3, 2), stride=(2, 1)) input = torch.randn(20, 16, 50, 32) output = m(input) - nn.AvgPool2d(kernel_size，stride)：这里列举了常用的几个参数，其余省略了
- kernel_size(int or tuple)：池化窗口size
- stride(int or tuple)：池化的步长
- padding(int or tuple)：池化的填充，默认为0
- 案例
# pool of square window of size=3, stride=2 m = nn.AvgPool2d(3, stride=2) # pool of non-square window m = nn.AvgPool2d((3, 2), stride=(2, 1)) input = torch.randn(20, 16, 50, 32) output = m(input) - nn.Linear(in_features, out_features, bias)
- in_features：输入特征数
- out_features：输出特征数
- bias：偏置
- 案例
m = nn.Linear(20, 30) input = torch.randn(128, 20) output = m(input) print(output.size()) torch.Size([128, 30])
二、案例+相关代码注释
在这之前，首先我们需要了解一下PyTorch中已经给我们准备好的网络模型nn.Module。我们自己定义的网络模型只需要继承nn.Module，并实现它的forward()方法，PyTorch会根据Autograd，自动实现backward()函数，在forward函数中我们可以使用任何Tensor支持的函数，还可以使用if、for、print等Python语法，写法与标准Python写法是一致的。
class Net(nn.Module):
def __init__(self):
# nn.Module子类的函数必须在构造函数中执行父类的构造函数
super(Net, self).__init__()
# 卷积层 '1'表示输入图片为单通道， '6'表示输出通道数，'3'表示卷积核为3*3
self.conv1 = nn.Conv2d(1, 6, 3)
#线性层，输入1350个特征，输出10个特征
self.fc1 = nn.Linear(1350, 10) #这里的1350是如何计算的呢？这就要看后面的forward函数
#正向传播
def forward(self, x):
print(x.size()) # 结果：[1, 1, 32, 32]
# 卷积 -> 激活 -> 池化
x = self.conv1(x) #根据卷积的尺寸计算公式，计算结果是30，具体计算公式后面第二章第四节 卷积神经网络 有详细介绍。
x = F.relu(x)
print(x.size()) # 结果：[1, 6, 30, 30]
x = F.max_pool2d(x, (2, 2)) #我们使用池化层，计算结果是15
x = F.relu(x)
print(x.size()) # 结果：[1, 6, 15, 15]
# reshape，‘-1’表示自适应
#这里做的就是压扁的操作 就是把后面的[1, 6, 15, 15]压扁，变为 [1, 1350]
x = x.view(x.size()[0], -1)
print(x.size()) # 这里就是fc1层的的输入1350
x = self.fc1(x)
return x
net = Net()
print(net)
- 运行结果
Net(
(conv1): Conv2d(1, 6, kernel_size=(3, 3), stride=(1, 1))
(fc1): Linear(in_features=1350, out_features=10, bias=True)
)
- 网络的可学习参数通过net.parameters()返回
for parameters in net.parameters():
print(parameters)
- 运行结果
Parameter containing:
tensor([[[[ 0.2745, 0.2594, 0.0171],
[ 0.0429, 0.3013, -0.0208],
[ 0.1459, -0.3223, 0.1797]]],
[[[ 0.1847, 0.0227, -0.1919],
[-0.0210, -0.1336, -0.2176],
[-0.2164, -0.1244, -0.2428]]],
[[[ 0.1042, -0.0055, -0.2171],
[ 0.3306, -0.2808, 0.2058],
[ 0.2492, 0.2971, 0.2277]]],
[[[ 0.2134, -0.0644, -0.3044],
[ 0.0040, 0.0828, -0.2093],
[ 0.0204, 0.1065, 0.1168]]],
[[[ 0.1651, -0.2244, 0.3072],
[-0.2301, 0.2443, -0.2340],
[ 0.0685, 0.1026, 0.1754]]],
[[[ 0.1691, -0.0790, 0.2617],
[ 0.1956, 0.1477, 0.0877],
[ 0.0538, -0.3091, 0.2030]]]], requires_grad=True)
Parameter containing:
tensor([ 0.2355, 0.2949, -0.1283, -0.0848, 0.2027, -0.3331],
requires_grad=True)
Parameter containing:
tensor([[ 2.0555e-02, -2.1445e-02, -1.7981e-02, ..., -2.3864e-02,
8.5149e-03, -6.2071e-04],
[-1.1755e-02, 1.0010e-02, 2.1978e-02, ..., 1.8433e-02,
7.1362e-03, -4.0951e-03],
[ 1.6187e-02, 2.1623e-02, 1.1840e-02, ..., 5.7059e-03,
-2.7165e-02, 1.3463e-03],
...,
[-3.2552e-03, 1.7277e-02, -1.4907e-02, ..., 7.4232e-03,
-2.7188e-02, -4.6431e-03],
[-1.9786e-02, -3.7382e-03, 1.2259e-02, ..., 3.2471e-03,
-1.2375e-02, -1.6372e-02],
[-8.2350e-03, 4.1301e-03, -1.9192e-03, ..., -2.3119e-05,
2.0167e-03, 1.9528e-02]], requires_grad=True)
Parameter containing:
tensor([ 0.0162, -0.0146, -0.0218, 0.0212, -0.0119, -0.0142, -0.0079, 0.0171,
0.0205, 0.0164], requires_grad=True)
- net.named_parameters可同时返回可学习的参数及名称。
for name,parameters in net.named_parameters():
print(name,':',parameters.size())
- 我们来简单测试一下：注意forward函数的输入和输出都是Tensor
input = torch.randn(1, 1, 32, 32) # 这里的对应前面fforward的输入是32
out = net(input)
out.size()
- 在反向传播前，先要将所有参数的梯度清零
net.zero_grad()
out.backward(torch.ones(1,10)) # 反向传播的实现是PyTorch自动实现的，我们只要调用这个函数即可
注意： torch.nn只支持mini-batches，不支持一次只输入一个样本，即一次必须是一个batch。
也就是说，就算我们输入一个样本，也会对样本进行分批，所以，所有的输入都会增加一个维度，我们对比下刚才的input，nn中定义为3维，但是我们人工创建时多增加了一个维度，变为了4维，最前面的1即为batch-size。
三、优化器optim
在反向传播计算完所有参数的梯度后，还需要使用优化方法来更新网络的权重和参数。这里只简单介绍优化方法。
| 优化方法 | 优化更新策略 |
|---|---|
| SGD随机梯度下降法 |  |
| 带有Momentum的随机梯度下降法 |  |
| Adagrad |  |
| Adam | 该方法融合了Momentum和Adagrad方法 |
在torch.optim库中实现大多数的优化方法，例如RMSProp、Adam、SGD等，下面我们使用SGD做个简单的样例。
- 首先导入optim包
import torch.optim
- 对网络参数进行更新
out = net(input) # 这里调用的时候会打印出我们在forword函数中打印的x的大小
criterion = nn.MSELoss()
loss = criterion(out, y)
#新建一个优化器，SGD只需要要调整的参数和学习率
optimizer = torch.optim.SGD(net.parameters(), lr = 0.01)
# 先梯度清零(与net.zero_grad()效果一样)
optimizer.zero_grad()
loss.backward()
#更新参数
optimizer.step()