這是對 Pytorch 官網的 Tutorial 教程的中文翻譯。
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您自己的神經網路所需的所有構建塊。 PyTorch 中的每個模組都是 nn.Module 的子類。神經網路本身就是一個模組，由其他模組（層）組成。這種巢狀結構允許輕鬆構建和管理複雜的架構。
在以下部分中，我們將構建一個神經網路來對 FashionMNIST 資料集中的影像進行分類。
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
選擇 GPU/CPU 訓練
我們希望能夠在 GPU 或 MPS 等硬體加速器（如果可用）上訓練我們的模型。讓我們檢查一下 torch.cuda 或 torch.backends.mps 是否可用，否則我們使用 CPU。
device = (
"cuda"
if torch.cuda.is_available()
else "mps" if torch.backends.mps.is_available() else "cpu"
)
print(f"Using {device} device")
輸出：
Using cuda device
定義神經網路類
我們透過繼承 nn.Module 類來定義神經網路，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
建立 NeuralNetwork 例項，將其移動到 device 並列印其結構。
model = NeuralNetwork().to(device)
print(model)
輸出：
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)
)
)
為了使用該模型，我們將輸入資料傳遞給它。這將執行模型的 forward 以及一些後臺操作。不要直接呼叫 model.forward()
將資料輸入模型後，模型會返回一個二維張量，其中 dim=0 對應於 10 個類別的原始預測值（如 0，1，2，3...），dim=1 對應於每個預測值的得分（如 -10.9，5.7，6.9，2.4，66.6...）。我們透過將返回的二維張量傳遞給 nn.Softmax 模組的例項來獲取預測機率。
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}")
輸出：
Predicted class: tensor([7], device='cuda:0')
模型層
讓我們分解 FashionMNIST 模型中的各個層。為了說明這一點，我們將用包含 3 張大小為 28x28 影像的小批次樣本，看看當我們將其傳遞到網路時會發生什麼。
input_image = torch.rand(3,28,28)
print(input_image.size())
輸出：
torch.Size([3, 28, 28])
nn.Flatten
我們初始化 nn.Flatten 層，將每個二維 28x28 影像轉換為包含 784 個畫素值的連續陣列（不改變小批次樣本的維度，即 3）。
flatten = nn.Flatten()
flat_image = flatten(input_image)
print(flat_image.size())
輸出：
torch.Size([3, 784])
nn.Linear
線性層使用其儲存的權重和偏差對輸入進行線性變換。
layer1 = nn.Linear(in_features=28*28, out_features=20)
hidden1 = layer1(flat_image)
print(hidden1.size())
輸出：
torch.Size([3, 20])
nn.ReLU
非線性啟用函式在模型輸入和輸出之間建立複雜的對映。線上性變換後應用非線性啟用函式以引入非線性，幫助神經網路學習各種情況。
在此模型中，我們線上性層之間使用 nn.ReLU，也可以使用其他啟用函式為模型引入非線性。
print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")
輸出：
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。資料按照與定義相同的順序在所有模組間傳遞。可以使用順序容器來組成一個快速網路，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
神經網路最後一個線性層返回的 logits （原始值）被傳遞到 nn.Softmax 模組。 logits 縮放到 0 和 1 之間，表示模型對每個類別的預測機率。 dim 引數指示維度，沿該維度值的總和必須為 1。
softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)
模型引數
神經網路內的許多層都是引數化的，即具有在訓練期間最佳化的相關權重和偏差。nn.Module 的子類自動跟蹤模型物件內定義的所有欄位，並使所有引數可使用模型的 parameters() 或 named_parameters() 方法訪問。
在此示例中，我們迭代每個引數，並列印其大小及其值的預覽。
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")
輸出：
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>)