本文为 PyTorch 官方教程中：如何构建神经网络。基于 PyTorch 专门构建神经网络的子模块 torch.nn 构建一个简单的神经网络。
完整教程运行 codelab
torch.nn 文档
神经网络由对数据执行操作的层/模块组成。torch.nn 提供了构建神经网络所需的所有模块。
PyTorch 中的每个模块都是 nn.module 的子类。 在下面的部分中，我们将构建一个神经网络来进行10种类别的分类。
建立神经网络
神经网络由对数据执行操作的层/模块组成。torch.nn 提供了构建神经网络所需的所有模块。PyTorch 中的每个模块都是 nn.module 的子类。 在下面的部分中，我们将构建一个神经网络来进行10种类别的分类。
import os
import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets, transforms加载训练设备
我们希望能够在硬件加速器，比如 GPU 上训练我们的模型。可以通过 torch.cuda 来检测 GPU 是否可用。
device = 'cuda' if torch.cuda.is_available() else 'cpu' #检测gpu是否可用，不可用使用cpu
print('Using {} device'.format(device)) #输出使用设备类型定义类
我们通过 nn.Module 来定义神经网络，并在__init__ 中初始化神经网络。每个 nn.Module 子类在 forward 方法中实现对输入数据的操作。
class NeuralNetwork(nn.Module):
def __init__(self): #定义网络结构
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),
nn.ReLU()
)
def forward(self, x): #前向传播
x = self.flatten(x)
logits = self.linear_relu_stack(x)
return logits在使用模型前需要先实例化模型，并将其移动到 GPU 上
model = NeuralNetwork().to(device) #实例化模型
print(model)为了在模型的输入和输出之间创建复杂的非线性映射，需要使用非线性的激活函数。
它们在线性变换后引入非线性，帮助神经网络学习各种各样的复杂映射。在这个模型中，我们在线性层之间使用 nn.ReLU，也可以使用其他激活函数来引入非线性。
X = torch.rand(1, 28, 28, device=device) #生成（1，28，28）的数据
logits = model(X) #向模型输入数据
pred_probab = nn.Softmax(dim=1)(logits) #调用softmax 将预测值映射为（0，1）间的概率
y_pred = pred_probab.argmax(1) #最大概率对应分类
print(f"Predicted class: {y_pred}")神经网络各层说明
接下来，我们分解网络来具体讲述每一层的功能。
为了说明这一点，我们将取小批量的3个尺寸为28x28的图像样本输入网络
input_image = torch.rand(3,28,28) #生成（3，28，28）的数据
print(input_image.size())nn.Flatten 层
Flatten 层用来把多维的输入一维化，常用在从卷积层到全连接层的过渡。
nn.Flatten 层，可以将每个 28x28 图像转换 784 ()个像素值的连续数组（批量维度保持为3）。
flatten = nn.Flatten()
flat_image = flatten(input_image) #（3，28，28）转换为（3，784）
print(flat_image.size())nn.Linear 层
nn.Linear 层，即线性层，是一个使用权重和偏差对输入数据作线性变换的模块。
layer1 = nn.Linear(in_features=28*28, out_features=20) #输入（3，28*28） 输出（3，20）
hidden1 = layer1(flat_image)
print(hidden1.size())nn.ReLU 层
为了在模型的输入和输出之间创建复杂的非线性映射，需要使用非线性的激活函数。它们在线性变换后引入非线性，帮助神经网络学习各种各样的复杂映射。
在这个模型中，我们在线性层之间使用 nn.ReLU，也可以使用其他激活函数来引入非线性。
print(f"Before ReLU: {hidden1}\n\n")
hidden1 = nn.ReLU()(hidden1)
print(f"After ReLU: {hidden1}")nn.Sequential 层
神经网络的最后一个线性层返回 logits，即值域区间在中的原始值。这些值传递给nn.Softmax模块后，logit被缩放为
区间中，表示模型对每个类的预测概率。
dim参数表示每一维度进行运算的位置，运算结果相加为1。
softmax = nn.Softmax(dim=1)
pred_probab = softmax(logits)输出模型结构
神经网络中的许多层都是参数化的，即具有相关联的权重和偏差，这些参数在训练中被迭代优化。
子类 nn.Module 自动跟踪模型对象内部定义的所有字段，并使用模型的 parameters() 或 named_parameters() 方法访问所有参数。
我们可以通过模型迭代每个参数，并输出其尺寸和值。
print("Model structure: ", model, "\n\n")
for name, param in model.named_parameters():
print(f"Layer: {name} | Size: {param.size()} | Values : {param[:2]} \n")最终输出结果可访问完整教程
