Pytorch入门（一）：定义神经网络_pytorch直接定义一个参数,然后应用在forward中能够学习马-优快云博客

本文是PyTorch入门系列的第一部分，主要介绍如何在PyTorch中定义一个简单的神经网络。通过实例代码，读者将理解PyTorch的动态计算图机制和神经网络构建过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

直接代码

import torch as t
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
# 定义网络
print("===================定义网络=========================")
# 定义网络时，需要继承nn.Module，并实现它的forward方法，把网络中具有可学习参数的层放在构造函数__init__中。
# 如果某一层(如ReLU)不具有可学习的参数，则既可以放在构造函数中，也可以不放，但建议不放在其中，
# 而在forward中使用nn.functional代替。
#只要在nn.Module的子类中定义了forward函数，backward函数就会自动被实现(利用autograd)。
# 在forward 函数中可使用任何tensor支持的函数，还可以使用if、for循环、print、log等Python语法，
# 写法和标准的Python写法一致。

#LeNet的网络结构
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
        # 下式等价于nn.Module.__init__(self)
        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，'5'表示卷积核为5*5
        #步长默认是1
        self.conv1 = nn.Conv2d(1, 6, 5)
        # 卷积层
        self.conv2 = nn.Conv2d(6, 16, 5)
        # 仿射层/全连接层，y = Wx + b
        self.fc1 &#