图像识别技术与应用(7)

*Pytorch神经网络工具箱

 *神经网络核心组件

层:神经网络的基本结构，将输入张量转换为输出张量。

模型:层构成的网络。

损失函数:参数学习的目标函数，通过最小化损失函数来学习各种参数。

优化器:如何是损失函数最小，这就涉及到优化器。

 *构建神经网络的主要工具

nn.Module

①继承自Module类，可自动提取可学习的参数。

②适用于卷积层、全连接层、dropout层。 nn.functional

①更像是纯函数。

②适用于激活函数、池化层 。

*构建神经网络的主要工具-nn.Module。

 *构建神经网络的主要工具-nn.functional

nn.Module，

写法一般为nn.Xxx，

如nn.Linear、nn.Conv2d、nn.CrossEntropyLoss等。 nn.functional中的函数，

写法一般为nn.funtional.xxx，

如nn.funtional.linear、nn.funtional.conv2d、nn.funtional.cross_entropy等。

两者的主要区别如下。

nn.Xxx继承于nn.Module，nn.Xxx 需要先实例化并传入参数，然后以函数调用的方式调用实例化的对象并传入输入数据。它能够很好的与nn.Sequential结合使用，而nn.functional.xxx无法与nn.Sequential结合使用。

nn.Xxx不需要自己定义和管理weight、bias参数；而nn.functional.xxx需要你自己定义weight、bias，每次调用的时候都需要手动传入weight、bias等参数, 不利于代码复用。 dropout操作在训练和测试阶段是有区别的，使用nn.Xxx方式定义dropout，在调用model.eval()之后，自动实现状态的转换，而使用nn.functional.xxx却无此功能。

*构建模型

 

继承nn.Module基类构建模型。

使用nn.Sequential按层顺序构建模型。

继承nn.Module基类构建模型，又使用相关模型容器(nn.Sequential,nn.ModuleList,nn.ModuleDict等）进行封装。

*继承nn.Module基类构建模型

 

 运行结果:

 *使用nn.Sequential按层顺序构建模型

1.利用可变参数

该方法构建时不能给每个层指定名称,如果需要给每个层指定名称，可使用add_module方法或OrderedDict方法。 

2.使用add_module方法

 3.使用OrderedDict方法